ترجمه فارسی مقاله طبقه‌بندی درهم‌ریختگی با استفاده از یادگیری عمیق در چند مرحله

چکیده

Path loss prediction for wireless communications is highly dependent on the local environment. Propagation models including clutter information have been shown to significantly increase model accuracy. This paper explores the application of deep learning to satellite imagery to identify environmental clutter types automatically. Recognizing these clutter types has numerous uses, but our main application is to use clutter information to enhance propagation prediction models. Knowing the type of obstruction (tree, building, and further classifications) can improve the prediction accuracy of key propagation metrics such as path loss.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی از دست دادن مسیر برای ارتباطات بی سیم به محیط محلی بسیار وابسته است.مدل های انتشار از جمله اطلاعات درهم و برهمی نشان داده شده است که به طور قابل توجهی دقت مدل را افزایش می دهد.در این مقاله به بررسی کاربرد یادگیری عمیق در تصاویر ماهواره ای برای شناسایی خودکار انواع درهم و برهمی محیطی می پردازیم.شناخت این انواع درهم و برهمی کاربردهای بی شماری دارد ، اما کاربرد اصلی ما استفاده از اطلاعات درهم و برهمی برای تقویت مدل های پیش بینی انتشار است.دانستن نوع انسداد (درخت ، ساختمان و طبقه بندی بیشتر) می تواند دقت پیش بینی معیارهای انتشار کلیدی مانند از دست دادن مسیر را بهبود بخشد.