論文の概要: A physically-informed Deep-Learning approach for locating sources in a waveguide

• arxiv url: http://arxiv.org/abs/2208.04938v1
• Date: Sun, 7 Aug 2022 19:54:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:10:59.160915
• Title: A physically-informed Deep-Learning approach for locating sources in a waveguide
• Title（参考訳）: 物理インフォームド深層学習による導波路の音源位置推定
• Authors: Adar Kahana, Symeon Papadimitropoulos, Eli Turkel, Dmitry Batenkov
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse source problems are central to many applications in acoustics, geophysics, non-destructive testing, and more. Traditional imaging methods suffer from the resolution limit, preventing distinction of sources separated by less than the emitted wavelength. In this work we propose a method based on physically-informed neural-networks for solving the source refocusing problem, constructing a novel loss term which promotes super-resolving capabilities of the network and is based on the physics of wave propagation. We demonstrate the approach in the setup of imaging an a-priori unknown number of point sources in a two-dimensional rectangular waveguide from measurements of wavefield recordings along a vertical cross-section. The results show the ability of the method to approximate the locations of sources with high accuracy, even when placed close to each other.
• Abstract（参考訳）: 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ぐ。 本研究では,ネットワークの超解能を向上し,波動伝播の物理に基づく新たな損失項を構築することにより,音源再焦点問題を解決するための物理的インフォームドニューラルネットワークに基づく手法を提案する。 本研究では,2次元矩形導波路におけるa-prioriの未知点数を,垂直断面に沿った波面記録の測定から撮像する手法を示す。 その結果, 互いに近接して配置しても, 音源の位置を高精度に近似できることを示すことができた。

関連論文リスト

• NeISF: Neural Incident Stokes Field for Geometry and Material Estimation [50.588983686271284]
  多視点逆レンダリングは、異なる視点で撮影された一連の画像から形状、材料、照明などのシーンパラメータを推定する問題である。 本稿では,偏光手がかりを用いた曖昧さを低減する多視点逆フレームワークNeISFを提案する。
  論文  参考訳（メタデータ） (2023-11-22T06:28:30Z)
• An Unsupervised Deep Learning Approach for the Wave Equation Inverse Problem [12.676629870617337]
  フルウェーブフォーム・インバージョン(FWI)は、高分解能地下物理パラメータを推定する強力な物理画像技術である。 観測の限界、限られたショットや受信機、ランダムノイズなどにより、従来の逆転法は多くの課題に直面している。 物理速度パラメータを正確に再構成することを目的とした教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:39:33Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Microseismic source imaging using physics-informed neural networks with hard constraints [4.07926531936425]
  物理インフォームドニューラルネットワーク(PINN)に基づく直接微動イメージングフレームワークを提案する。 PINNを用いてマルチ周波数波動場を表現し,その逆フーリエ変換を用いて音源画像の抽出を行う。 さらに,本手法をモニタリングフィールドデータの水理破砕に応用し,少ないアーティファクトで精度よくソースを画像化できることを実証する。
  論文  参考訳（メタデータ） (2023-04-09T21:10:39Z)
• On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
  周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。 我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
  論文  参考訳（メタデータ） (2023-03-11T16:29:13Z)
• Reinforced Inverse Scattering [2.535271349350579]
  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。
  論文  参考訳（メタデータ） (2022-06-08T22:56:09Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Learning the geometry of wave-based imaging [24.531973107529584]
  本研究では、フーリエ積分演算子(FIO)にインスパイアされた解釈可能なニューラルネットワークを構築し、波動物理を近似する。 本研究では,データに暗黙的なFIOによって捕捉された波動伝播の幾何学的形状を,最適輸送に基づく損失によって学習することに集中する。 提案したFIONetは、多くの画像逆問題、特にアウト・オブ・ディストリビューションテストにおいて、通常のベースラインよりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-06-10T14:29:54Z)
• Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative Prior [8.712404218757733]
  この問題はフーリエ・プチコグラフィー、X線結晶学、可視光通信など様々な画像モダリティで発生する。 本稿では,事前訓練された2つの深層生成ネットワークの下での交互勾配降下アルゴリズムを用いて,この逆問題の解法を提案する。 提案アルゴリズムは,前向き測定モデルを説明する各前駆体の範囲内で,シャープな画像とぼやけたカーネルを見つけ出そうとする。
  論文  参考訳（メタデータ） (2020-02-28T07:36:28Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。