EUVIMEDEUVIMED entdecken
Crossref

Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios

Junzhe Song, Ruisi He, Mi Yang, Zhengyu Zhang, Bingcheng Liu, Jiahui Han, Haoxiang Zhang, Bo Ai

IEEE Transactions on Wireless Communications · 2026 · 25 · 14198-14211

DOI: 10.1109/twc.2026.3676063 ↗

Kurz gefasst

Fachartikel in der Zeitschrift IEEE Transactions on Wireless Communications, 2026. Verfasst von Junzhe Song und 7 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 57 Literaturangaben. Gefördert von: National Natural Science Foundation of China.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Förderung

  • National Natural Science Foundation of China

Zitieren

APA

Song, J., He, R., Yang, M., Zhang, Z., Liu, B., Han, J., Zhang, H., & Ai, B. (2026). Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios. IEEE Transactions on Wireless Communications, 25, 14198-14211. https://doi.org/10.1109/twc.2026.3676063

Vancouver

Song J, He R, Yang M, Zhang Z, Liu B, Han J, et al. Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios. IEEE Transactions on Wireless Communications. 2026;25:14198-14211. doi:10.1109/twc.2026.3676063

BibTeX
@article{Song2026,
  author = {Song, Junzhe and He, Ruisi and Yang, Mi and Zhang, Zhengyu and Liu, Bingcheng and Han, Jiahui and Zhang, Haoxiang and Ai, Bo},
  title = {Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios},
  journal = {IEEE Transactions on Wireless Communications},
  year = {2026},
  volume = {25},
  pages = {14198--14211},
  doi = {10.1109/twc.2026.3676063}
}
Kostenlos starten →