Graph-CNNs for RF Imaging: Learning the Electric Field Integral Equations

要約

無線周波数（RF）イメージングは​​、分散レシーバーの散乱フィールドに基づいて、シーンオブジェクトの表面のデジタルレクリエーションに関するものです。
この困難な逆散乱の問題を解決するために、最小限のレイテンシを提供しながら、同様のトレーニングの例からパターンを抽出するデータ駆動型の方法がしばしば採用されます。
この論文では、最初にデータ生成のための電界積分方程式に基づいたおおよその高速電磁モデルを提供し、その後、対応する逆モデルを学習するために深いニューラルネットワーク（DNN）アーキテクチャを提案します。
グラフアテンションバックボーンにより、システムジオメトリをDNNに渡すことができます。DNNでは、残留畳み込み層がオブジェクトに特徴を抽出し、UNETヘッドが最終画像再構成を実行します。
さまざまな特性の2つの合成データセットに関する定量的および定性的評価は、提案された高度なアーキテクチャと、信号ノイズレベルとさまざまな受信構成に対するその相対的な回復力のパフォーマンスの向上を示しています。

要約(オリジナル)

Radio-Frequency (RF) imaging concerns the digital recreation of the surfaces of scene objects based on the scattered field at distributed receivers. To solve this difficult inverse scattering problems, data-driven methods are often employed that extract patterns from similar training examples, while offering minimal latency. In this paper, we first provide an approximate yet fast electromagnetic model, which is based on the electric field integral equations, for data generation, and subsequently propose a Deep Neural Network (DNN) architecture to learn the corresponding inverse model. A graph-attention backbone allows for the system geometry to be passed to the DNN, where residual convolutional layers extract features about the objects, while a UNet head performs the final image reconstruction. Our quantitative and qualitative evaluations on two synthetic data sets of different characteristics showcase the performance gains of thee proposed advanced architecture and its relative resilience to signal noise levels and various reception configurations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google