GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers

要約

逆散乱問題は、設定が不適切で非線形であるという事実を考慮すると、本質的に困難です。
この論文では、敵対的生成ネットワークに依存して、多周波数散乱電場の振幅からランダムな形状の 2 次元誘電体オブジェクトを正確かつ効率的に再構築する、強力な深層学習ベースのアプローチを紹介します。
敵対的オートエンコーダー (AAE) は、ガウス分布に従うように制約された低次元の潜在表現から散乱体のジオメトリを生成する方法を学習するようにトレーニングされます。
コヒーシブ逆ニューラル ネットワーク (INN) フレームワークは、適切に設計された一連の高密度層、既にトレーニングされたジェネレーター、および個別にトレーニングされたフォワード ニューラル ネットワークで構成されます。
逆ネットワークの出力で再構成された画像は、フォワード ニューラル ネットワークからの出力との比較を通じて検証され、電磁 (EM) イメージングの問題に固有の非一意性の課題に対処します。
トレーニングされた INN は、平均バイナリ クロス エントロピー (BCE) 損失が 0.13 ドル、構造類似性指数 (SSI) が 0.90 ドルであることから明らかなように、堅牢性が向上しています。
この研究は、計算負荷の大幅な削減を実証するだけでなく、従来の目的関数ベースの手法に比べて大幅な改善を示しています。
リアルタイムの定量的イメージング アプローチを提供することで、機械学習と EM イメージングの両方の分野に貢献します。
シミュレートされたデータで得られた結果は、トレーニングとテストの両方で有望な結果をもたらし、高周波逆イメージングの新しい道を開く可能性があります。

要約(オリジナル)

Inverse scattering problems are inherently challenging, given the fact they are ill-posed and nonlinear. This paper presents a powerful deep learning-based approach that relies on generative adversarial networks to accurately and efficiently reconstruct randomly-shaped two-dimensional dielectric objects from amplitudes of multi-frequency scattered electric fields. An adversarial autoencoder (AAE) is trained to learn to generate the scatterer’s geometry from a lower-dimensional latent representation constrained to adhere to the Gaussian distribution. A cohesive inverse neural network (INN) framework is set up comprising a sequence of appropriately designed dense layers, the already-trained generator as well as a separately trained forward neural network. The images reconstructed at the output of the inverse network are validated through comparison with outputs from the forward neural network, addressing the non-uniqueness challenge inherent to electromagnetic (EM) imaging problems. The trained INN demonstrates an enhanced robustness, evidenced by a mean binary cross-entropy (BCE) loss of $0.13$ and a structure similarity index (SSI) of $0.90$. The study not only demonstrates a significant reduction in computational load, but also marks a substantial improvement over traditional objective-function-based methods. It contributes both to the fields of machine learning and EM imaging by offering a real-time quantitative imaging approach. The results obtained with the simulated data, for both training and testing, yield promising results and may open new avenues for radio-frequency inverse imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google