水声网络全双工定向碰撞避免媒体接入控制协议

近年来水声网络(UAN)技术飞速发展,但仍然面临诸多严峻挑战,能量效率成为水声网络的首要考虑因素。此外,水声信道传播时延大且可用带宽受限,严重制约了水声通信技术的可靠性和有效性,进而限制了水声网络的整体性能。定向通信技术可以有效改善上述情况,通过波束聚焦能力将声波能量聚集在一定角度范围内,获得比全向通信更高的通信范围和信噪比,提升整个网络的能耗效率和空间复用率。但该技术需要对目的节点的位置具备先验知识,且会面临“聋节点”问题,因此该文提出一个水声网络全双工定向碰撞避免(FDDCA)媒体接入控制(MAC)协议,通过装备两个分别处于不同工作频带的全向换能器和定向换能器解决“聋节点”问题,并通过降低节点的冲突域解决了“暴露终端”问题。仿真结果表明,与水下Aloha(UW-Aloha)和时隙地面多址接入(S-FAMA)协议相比,FDDCA在多汇聚节点的网络拓扑下吞吐量分别提升了140%和400%,网络能效上节省了90%和94%。     

基于深度学习的水下图像目标检测综述

水下图像目标检测是水下智能化探测的核心技术之一,广泛应用于工业及军事领域。深度学习相关技术的突破为水下图像目标检测的发展带来了新的机遇,但是目前该领域的综述较为陈旧,并且缺乏一定的系统性和全面性。该文对基于深度学习的水下可见光图像和声呐图像目标检测研究工作进行了详细总结与分析。首先,对基于深度学习的通用目标检测算法框架进行了梳理,包含骨干网络、颈部模块、检测头部、训练算法、推理策略、数据集6项要素,并系统性地总结了每个要素存在的问题及最新研究工作;然后,调研了水下可见光图像目标检测最新进展,分别从数据集发展、模型设计、训练算法进行总结;同时,归纳并分析了水下声呐图像目标检测相关工作,包含前视、侧扫、合成孔径3种声呐。最后,结合深度学习最新研究探讨了该领域的研究趋势。