EA-RMENet——利用深度学习进行城市环境路径损耗预测

arXiv cs.LG 论文
path-loss-prediction urban-environments deep-learning radio-map-estimation efficient-attention u-net efficientnet

摘要

提出EA-RMENet，一种用于无线电地图估计的深度学习模型，采用EfficientNetB5编码器、注意力门控跳跃连接和ASPP，实现了高精度与高效率。

arXiv:2607.16449v1 公告类型: 新 摘要: 精确的路径损耗预测是无线网络规划的关键组成部分。当前的路径损耗预测方法通常难以在精度和计算效率之间取得平衡。本文提出了高效注意力无线电地图估计网络（EA-RMENet），这是一种基于图像数据驱动的深度学习模型，专为无线电地图估计（RME）设计。EA-RMENet采用U-Net框架，结合EfficientNetB5编码器、注意力门控（AG）跳跃连接以及空洞空间金字塔池化（ASPP）。EfficientNet编码器通过复合缩放来平衡精度与效率。AG跳跃连接抑制不相关特征，ASPP捕获多尺度上下文。该模型在RadioMapSeer3D数据集上的测试预测RMSE为0.0334，推理时间为每样本0.022秒。在ICASSP 2023无线电地图预测挑战赛中，该模型以0.0406的竞争性RMSE排名第三，突显了其在真实世界RME中的潜力。
查看原文
查看缓存全文

缓存时间: 2026/07/21 06:48 

# EA-RMENet —— 基于深度学习的城市环境路径损耗预测
来源：https://arxiv.org/abs/2607.16449
作者：Jonathan O'Shea (https://arxiv.org/search/cs?searchtype=author&query=O%27Shea,+J)（都柏林城市大学电子工程学院）、Conor Brennan (https://arxiv.org/search/cs?searchtype=author&query=Brennan,+C)（都柏林城市大学电子工程学院）

查看 PDF (https://arxiv.org/pdf/2607.16449)

> 摘要：准确的路径损耗预测是无线网络规划的关键组成部分。当前的路径损耗预测方法通常难以在精度与计算效率之间取得平衡。本文提出了高效注意力无线电地图估计网络（EA-RMENet），这是一种基于图像数据的深度学习模型，专为无线电地图估计（RME）设计。EA-RMENet采用U-Net架构，结合EfficientNetB5编码器、注意力门控跳跃连接（AG）和空洞空间金字塔池化（ASPP）。EfficientNet编码器通过复合缩放平衡精度与效率；AG跳跃连接抑制无关特征，ASPP则捕获多尺度上下文信息。该模型在RadioMapSeer3D数据集上的测试预测RMSE为0.0334，推理时间为0.022秒/样本。在ICASSP 2023无线电地图预测挑战赛中，该模型以0.0406的竞争性RMSE排名第三，凸显了其在真实RME应用中的潜力。

## 提交历史

来自：Jonathan O'Shea O'Shea \[查看邮件 (https://arxiv.org/show-email/0d9afaa5/2607.16449)\] **\[v1\]** 2026年7月17日星期五 18:47:46 UTC (917 KB)

相似文章

PDRNN：基于松耦合无线电与惯性信号流的模块化数据驱动行人航位推算

arXiv cs.LG

提出了一种名为PDRNN的模块化混合AI辅助行人航位推算系统，该系统结合了循环神经网络与分别用于方向、速度和距离估计的独立机器学习模型，并可选地使用基于无线电的稳定。在动态运动数据上的实验表明，与经典方法和基于机器学习的方法相比，其准确性和精度更优。