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。

用于室内无线电地图估计的协同上下文学习

arXiv cs.LG

本文将室内无线电地图估计表述为协同上下文学习问题，并提出了 Poly-Ripple 框架。在该框架中，多个客户端无需更新模型，即可使用大型自回归视觉模型，通过波纹顺序自回归建模和重要性感知聚合，实现优于上下文学习（ICL）基线的性能。

扩展低成本合成预训练可改善室内无线电地图预测

arXiv cs.LG

该论文提出了一种自动生成多样室内布局和快速开源近似光线追踪器的流程，用128M合成样本预训练ResNet-101和Swin-T编码器-解码器，微调后在五个室内无线电地图预测任务上平均降低15%误差，并展示了可预测的数据缩放规律。