論文の概要: Deep Learning-Assisted Simultaneous Targets Sensing and Super-Resolution
Imaging
- arxiv url: http://arxiv.org/abs/2305.03177v1
- Date: Tue, 2 May 2023 04:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-14 21:15:56.042001
- Title: Deep Learning-Assisted Simultaneous Targets Sensing and Super-Resolution
Imaging
- Title(参考訳): 深層学習支援同時センシングと超解像イメージング
- Authors: Jin Zhao, Huang Zhao Zhang, Ming-Zhe Chong, Yue-Yi Zhang, Zi-Wen
Zhang, Zong-Kun Zhang, Chao-Hai Du, and Pu-Kun Liu
- Abstract要約: マルチファンクショナルディープニューラルネットワークは、準曲面ターゲットインタラクティブシステムにおいて、ターゲット情報を再構成する。
深層学習法は、メタサイトベースターゲット検出において、ターゲットの多様な情報を復元する別の方法を提供する。
この手法は、他の電磁的シナリオにおける逆再構成や前方予測の問題を約束することもある。
- 参考スコア(独自算出の注目度): 7.0297101115974305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, metasurfaces have experienced revolutionary growth in the sensing
and superresolution imaging field, due to their enabling of subwavelength
manipulation of electromagnetic waves. However, the addition of metasurfaces
multiplies the complexity of retrieving target information from the detected
fields. Besides, although the deep learning method affords a compelling
platform for a series of electromagnetic problems, many studies mainly
concentrate on resolving one single function and limit the research's
versatility. In this study, a multifunctional deep neural network is
demonstrated to reconstruct target information in a metasurface targets
interactive system. Firstly, the interactive scenario is confirmed to tolerate
the system noises in a primary verification experiment. Then, fed with the
electric field distributions, the multitask deep neural network can not only
sense the quantity and permittivity of targets but also generate
superresolution images with high precision. The deep learning method provides
another way to recover targets' diverse information in metasurface based target
detection, accelerating the progression of target reconstruction areas. This
methodology may also hold promise for inverse reconstruction or forward
prediction problems in other electromagnetic scenarios.
- Abstract(参考訳): 近年, 電磁波のサブ波長操作が可能となり, センシングと超解像の領域において, メタサーフェスが画期的な成長を遂げている。
しかし、メタ曲面の追加は、検出されたフィールドからターゲット情報を取得する複雑さを乗じる。
さらに、深層学習法は一連の電磁的問題に対して説得力のあるプラットフォームを提供するが、多くの研究は主に1つの関数の解き方と研究の汎用性を制限することに集中している。
本研究では,多機能ディープニューラルネットワークを用いて,準曲面対象対話システムにおけるターゲット情報の再構成を行う。
まず、対話的なシナリオは、最初の検証実験でシステムノイズを許容することが確認される。
そして、電界分布により、マルチタスク深層ニューラルネットワークは、ターゲットの量と誘電率を感知するだけでなく、高精度な超高解像度画像を生成することができる。
深層学習法は, 地表面のターゲット検出において, ターゲットの多様な情報を復元する別の手段を提供する。
この手法は、他の電磁的シナリオにおける逆再構成や前方予測問題にも期待できる。
関連論文リスト
- Efficient Parameter Mining and Freezing for Continual Object Detection [0.0]
本稿では,ネットワークがシーケンシャルな更新にまたがって検出器の性能を維持する上で,どの層が最重要かを特定する効率的な方法を提案する。
これらの結果は,オブジェクト検出モデル内での漸進的な学習を容易にする上で,階層レベルのパラメータ分離の実質的なメリットを強調した。
論文 参考訳(メタデータ) (2024-02-20T01:07:32Z) - Intrusion Detection: A Deep Learning Approach [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)モジュールとLong Short Term Memory(LSTM)モジュール,SVM(Support Vector Machine)分類機能を備えた侵入検出システムを提案する。
この分析に続いて、従来の機械学習技術と深層学習手法を比較し、さらに探索可能な領域を強調した。
論文 参考訳(メタデータ) (2023-06-13T07:58:40Z) - Learning to Reduce Information Bottleneck for Object Detection in Aerial
Images [5.4547979989237225]
まず,情報ボトルネックの理論から,オブジェクト検出フレームワークにおけるネックネットワークの重要性を分析する。
バックボーンからヘッドネットワークへのブリッジとして機能するグローバルセマンティックネットワークを,双方向のグローバル畳み込み方式で提案する。
既存のネックネットワークと比較して,より詳細な情報と計算コストの低減という利点がある。
論文 参考訳(メタデータ) (2022-04-05T07:46:37Z) - Joint Learning of Salient Object Detection, Depth Estimation and Contour
Extraction [91.43066633305662]
RGB-D Salient Object Detection (SOD) のための新しいマルチタスク・マルチモーダルフィルタトランス (MMFT) ネットワークを提案する。
具体的には、深度推定、健全な物体検出、輪郭推定の3つの相補的なタスクを統合する。マルチタスク機構は、タスク認識の特徴を補助タスクから学習するためのモデルを促進する。
実験の結果、複数のデータセット上での深度に基づくRGB-D SOD法をはるかに上回るだけでなく、高品質の深度マップと塩分濃度を同時に正確に予測できることがわかった。
論文 参考訳(メタデータ) (2022-03-09T17:20:18Z) - Infrared Small-Dim Target Detection with Transformer under Complex
Backgrounds [155.388487263872]
変換器を用いた赤外線小径目標検出手法を提案する。
画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。
最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
論文 参考訳(メタデータ) (2021-09-29T12:23:41Z) - Solving Inverse Problems With Deep Neural Networks -- Robustness
Included? [3.867363075280544]
近年の研究では、複数の画像再構成タスクにおけるディープニューラルネットワークの不安定性が指摘されている。
分類における敵対的攻撃と類似して、入力領域のわずかな歪みが深刻な成果物を生じさせる可能性が示された。
本稿では、未決定の逆問題を解決するためのディープラーニングベースのアルゴリズムの堅牢性について広範な研究を行うことにより、この懸念に新たな光を当てる。
論文 参考訳(メタデータ) (2020-11-09T09:33:07Z) - 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) - Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。
目的はオンラインで発見されるため、時間とともに変化に適応することができる。
Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
論文 参考訳(メタデータ) (2020-07-16T16:17:09Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳(メタデータ) (2020-03-31T16:47:20Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
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。