Fugu-MT 論文翻訳(概要): Reinforced Inverse Scattering

論文の概要: Reinforced Inverse Scattering

arxiv url: http://arxiv.org/abs/2206.04186v1
Date: Wed, 8 Jun 2022 22:56:09 GMT
ステータス: 処理完了
システム内更新日: 2022-06-10 15:55:42.863119
Title: Reinforced Inverse Scattering
Title（参考訳）: 強化逆散乱
Authors: Hanyang Jiang, Yuehaw Khoo, Haizhao Yang
Abstract要約: 逆波散乱は、物体がどのように入ってくる波を散乱するかのデータを用いて物体の特性を決定することを目的としている。センサ位置と入射波周波数の選択は、散乱器特性の再構成品質を決定する。本稿では,センサ位置と波動周波数を異なる散乱器に適応させる高精度撮像法を提案する。
参考スコア（独自算出の注目度）: 2.535271349350579
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inverse wave scattering aims at determining the properties of an object using data on how the object scatters incoming waves. In order to collect information, sensors are put in different locations to send and receive waves from each other. The choice of sensor positions and incident wave frequencies determines the reconstruction quality of scatterer properties. This paper introduces reinforcement learning to develop precision imaging that decides sensor positions and wave frequencies adaptive to different scatterers in an intelligent way, thus obtaining a significant improvement in reconstruction quality with limited imaging resources. Extensive numerical results will be provided to demonstrate the superiority of the proposed method over existing methods.
Abstract（参考訳）: 逆波散乱は、物体がどのように入射波を散乱するかのデータを用いて、物体の特性を決定することを目的としている。情報を収集するために、センサーは異なる場所に配置され、互いに波を送受信する。センサ位置と入射波周波数の選択は、散乱特性の再構成品質を決定する。本稿では,センサ位置と波動周波数をインテリジェントな方法で決定し,画像資源の制限による再構成品質の大幅な向上を図り,その精度向上を図るための強化学習を提案する。提案手法が既存の手法よりも優れていることを示すために,広範な数値計算結果が提示される。

関連論文リスト

bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
論文参考訳（メタデータ） (2024-10-30T17:30:35Z)
Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文参考訳（メタデータ） (2024-07-18T04:36:10Z)
Redefining Automotive Radar Imaging: A Domain-Informed 1D Deep Learning Approach for High-Resolution and Efficient Performance [6.784861785632841]
本研究では,1次元(1次元)信号の超解像スペクトル推定問題として,レーダー画像の超解像を再定義する。自動車レーダイメージングのための最適化されたディープラーニングネットワークは、優れたスケーラビリティ、パラメータ効率、高速推論速度を示す。我々のSR-SPECNetは、高解像度のレーダレンジ方位画像を作成するための新しいベンチマークを設定している。
論文参考訳（メタデータ） (2024-06-11T16:07:08Z)
Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
論文参考訳（メタデータ） (2024-03-18T21:07:57Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
A physically-informed Deep-Learning approach for locating sources in a waveguide [0.688204255655161]
逆ソース問題は、音響学、地球物理学、非破壊試験などにおける多くの応用の中心である。従来の撮像法は分解能限界に悩まされており、放射波長以下で分離された光源の区別を防いでいる。本稿では,物理インフォームドニューラルネットワークを用いた音源再焦点問題の解法を提案する。
論文参考訳（メタデータ） (2022-08-07T19:54:10Z)
Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文参考訳（メタデータ） (2022-08-01T19:18:26Z)
On the Optimization of Underwater Quantum Key Distribution Systems with Time-Gated SPADs [13.401746329218017]
水中量子鍵分布の量子ビット誤り率(QBER)に及ぼす各種送信機および受信機パラメータの影響について検討した。我々はモンテカルロ法を用いて、送信機から受信機に向かって水中に透過する発光光子の軌道をシミュレートする。
論文参考訳（メタデータ） (2022-06-09T17:22:02Z)
Radar-based Materials Classification Using Deep Wavelet Scattering Transform: A Comparison of Centimeter vs. Millimeter Wave Units [0.0]
本研究では、Vayyar ImagingによるWalabot-3D (6.3-8 GHz)cm波と ImageVK-74 (62-69 GHz)mm波イメージングの2つの周波数範囲のレーダーユニットについて検討する。
論文参考訳（メタデータ） (2022-02-08T02:07:14Z)
Location-aware Single Image Reflection Removal [54.93808224890273]
本稿では,位置認識型深層学習に基づく単一画像反射除去手法を提案する。我々は,リフレクション信頼度マップをネットワークの手がかりとして活用し,リフレクション情報を適応的にエンコードする方法を学習する。位置情報のネットワークへの統合は、反射除去結果の品質を大幅に向上させる。
論文参考訳（メタデータ） (2020-12-13T19:34:35Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。