論文の概要: Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D
Near-Field MIMO Radar Imaging
- arxiv url: http://arxiv.org/abs/2312.16959v1
- Date: Thu, 28 Dec 2023 11:05:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 16:29:02.568439
- Title: Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D
Near-Field MIMO Radar Imaging
- Title（参考訳）: 実時間3次元近接場MIMOレーダイメージングのための効率的な物理ベース学習再構成法
- Authors: Irfan Manisali, Okyanus Oral, Figen S. Oktem
- Abstract要約: 近距離場多重出力多重出力レーダイメージングシステム(MIMO)は近年注目されている。
本稿では,リアルタイム近接場イメージングのための非定位深層学習に基づく新しい再構成手法を提案する。
ゴールは、設定時の計算コストを低くして、高画質を実現することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Near-field multiple-input multiple-output (MIMO) radar imaging systems have
recently gained significant attention. In this paper, we develop novel
non-iterative deep learning-based reconstruction methods for real-time
near-field MIMO imaging. The goal is to achieve high image quality with low
computational cost at compressive settings. The developed approaches have two
stages. In the first approach, physics-based initial stage performs adjoint
operation to back-project the measurements to the image-space, and deep neural
network (DNN)-based second stage converts the 3D backprojected measurements to
a magnitude-only reflectivity image. Since scene reflectivities often have
random phase, DNN processes directly the magnitude of the adjoint result. As
DNN, 3D U-Net is used to jointly exploit range and cross-range correlations. To
comparatively evaluate the significance of exploiting physics in a
learning-based approach, two additional approaches that replace the
physics-based first stage with fully connected layers are also developed as
purely learning-based methods. The performance is also analyzed by changing the
DNN architecture for the second stage to include complex-valued processing
(instead of magnitude-only processing), 2D convolution kernels (instead of 3D),
and ResNet architecture (instead of U-Net). Moreover, we develop a synthesizer
to generate large-scale dataset for training with 3D extended targets. We
illustrate the performance through experimental data and extensive simulations.
The results show the effectiveness of the developed physics-based learned
reconstruction approach in terms of both run-time and image quality at highly
compressive settings. Our source codes and dataset are made available at
GitHub.
- Abstract（参考訳）: 近距離場多重出力多重出力(MIMO)レーダイメージングシステムは近年注目されている。
本稿では,実時間近接場MIMOイメージングのための非定位深層学習に基づく再構成手法を提案する。
目標は、圧縮設定で計算コストの低い高画質を実現することである。
開発アプローチには2つの段階がある。
第1のアプローチでは、物理ベースの初期ステージは、画像空間に測定をバックプロジェクションするために随伴演算を行い、ディープニューラルネットワーク(dnn)ベースの第2ステージは、3dバックプロジェクションされた測定をマグニチュードのみの反射率画像に変換する。
シーン反射率はしばしばランダム位相を持つため、DNNは随伴結果の規模を直接処理する。
DNNとして、3D U-Netはレンジとクロスレンジの相関を併用するために使用される。
学習ベースアプローチにおける物理活用の意義を比較評価するために、純粋学習ベース手法として、物理ベースの第1段階を完全連結層に置き換える2つの追加アプローチも開発されている。
また、DNNアーキテクチャを第2段階に変更して、複雑な処理(マグニチュードのみの処理ではなく)、2D畳み込みカーネル(3Dの代わりに)、ResNetアーキテクチャ(U-Netの代わりに)を含むように分析する。
さらに,3次元拡張目標を用いた大規模データセット生成のためのシンセサイザーを開発した。
実験データと広範囲なシミュレーションにより,その性能を示す。
その結果,高圧縮条件下での実行時間と画質の両面での学習的再構成手法の有効性が示された。
ソースコードとデータセットはGitHubで公開されています。
関連論文リスト
- MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。
我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。
また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
論文 参考訳（メタデータ） (2024-04-01T04:57:41Z) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳（メタデータ） (2023-06-28T22:36:44Z) - Unfolding Framework with Prior of Convolution-Transformer Mixture and
Uncertainty Estimation for Video Snapshot Compressive Imaging [7.601695814245209]
本稿では, 連続する高速フレームを異なるマスクで変調し, 単一の計測でキャプチャする, ビデオスナップショット圧縮画像(SCI)の問題点について考察する。
最適化アルゴリズムとニューラルネットワークを組み合わせることで、ディープ・アンフォールディング・ネットワーク(DUN)は、逆問題の解決において大きな成果を上げた。
論文 参考訳（メタデータ） (2023-06-20T06:25:48Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
1枚以上の画像から3D屋内シーンを没入する問題について検討する。
我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。
本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
論文 参考訳（メタデータ） (2022-04-06T17:54:46Z) - Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive
Imaging [6.289143409131908]
スナップショットイメージング(SCI)は、二次元カメラを介して3次元信号を記録することを目的としている。
SCI に先立って 3D-CNN を付加した新しい深層展開ネットワーク (DUN) を提案する。
ネットワーク適応を促進するために,高密度特徴写像圧縮 (DFMA) モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-14T09:42:42Z) - Physics Validation of Novel Convolutional 2D Architectures for Speeding
Up High Energy Physics Simulations [0.0]
本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。
我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。
その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
論文 参考訳（メタデータ） (2021-05-19T07:24:23Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。
私たちのネットワークは、複数の面で「物理認識」するように設計されています。
我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
論文 参考訳（メタデータ） (2020-06-16T18:35:32Z)
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。