本文主要是介绍Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback简记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback简记
文章目录
- Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback简记
- 参考
- 简记
- LSTM结构
- 深度可分离卷积
- P3D blocks
- 评价指标
参考
- Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback阅读笔记
- 源码
- 论文
- RNN&LSTM
- MobileNet
简记
- ConvlstmCsiNet的宏观架构如下
- 首先第一点，该结构采用了3D卷积（可以看encoder中有卷积核大小3x3x3）
- 其次，引入了lstm结构，这个这篇挺像的：Mino Channel Infomation Feedback Using Deep Recurrent Networ
LSTM结构
- lstm的结构可以参考笔记：RNN&LSTM
- 另外，B站搜李沐，他LSTM讲的很透彻
深度可分离卷积
- 特征恢复中的深度可分离卷积：在特征恢复模块中，所有的标准卷积被深度可分离卷积（DS-Conv）替换，这种替换不仅减少了参数两，而且有助于RefineNet实现更好的性能和更高的恢复精度。
- 我在这篇笔记中提到过深度可分离卷积：MobileNet，主要是减少计算量用的
P3D blocks
- 作者设计了三种P3D block，如下所示
- 这里主要是考虑时间和空间滤波器之间是否会直接或间接的相互影响或最终的输出
- 关于这点作者后面做了个实验，就是说性能A>C>B，说明时空滤波器的级联方式比并行方式的性能更好(ResNet yyds)
评价指标
- Normalized Mean Square Error (NMSE)
- Cosine Similarity ρ
- 表示output和input之间的相似度
- loss还是用的MSE，这里我尝试过NMSEloss，发现有提升的效果，Cosine Similarity ρ也可以考虑试试做成loss
这篇关于Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback简记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
