論文の概要: Multi-frequency Neural Born Iterative Method for Solving 2-D Inverse Scattering Problems
- arxiv url: http://arxiv.org/abs/2409.01315v1
- Date: Mon, 2 Sep 2024 15:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 06:25:12.774024
- Title: Multi-frequency Neural Born Iterative Method for Solving 2-D Inverse Scattering Problems
- Title(参考訳): 多周波ニューラルボルン反復法による2次元逆散乱問題の解法
- Authors: Daoqi Liu, Tao Shan, Maokun Li, Fan Yang, Shenheng Xu,
- Abstract要約: 多周波電磁逆散乱問題(ISP)に対処する深層学習に基づくイメージング手法を提案する。
深層学習技術とEM物理法則を組み合わせることで,多周波ニューラルボルン反復法(Neural BIM)の開発に成功した。
多周波ニューラルBIMの有効性は、ISPを解くための精度と計算効率の向上を実証し、合成および実験データを通して検証する。
- 参考スコア(独自算出の注目度): 3.171666227612361
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a deep learning-based imaging method for addressing the multi-frequency electromagnetic (EM) inverse scattering problem (ISP). By combining deep learning technology with EM physical laws, we have successfully developed a multi-frequency neural Born iterative method (NeuralBIM), guided by the principles of the single-frequency NeuralBIM. This method integrates multitask learning techniques with NeuralBIM's efficient iterative inversion process to construct a robust multi-frequency Born iterative inversion model. During training, the model employs a multitask learning approach guided by homoscedastic uncertainty to adaptively allocate the weights of each frequency's data. Additionally, an unsupervised learning method, constrained by the physical laws of ISP, is used to train the multi-frequency NeuralBIM model, eliminating the need for contrast and total field data. The effectiveness of the multi-frequency NeuralBIM is validated through synthetic and experimental data, demonstrating improvements in accuracy and computational efficiency for solving ISP. Moreover, this method exhibits strong generalization capabilities and noise resistance. The multi-frequency NeuralBIM method explores a novel inversion method for multi-frequency EM data and provides an effective solution for the electromagnetic ISP of multi-frequency data.
- Abstract(参考訳): 本研究では,多周波電磁法(EM)逆散乱問題(ISP)に対処する深層学習に基づくイメージング手法を提案する。
深層学習技術とEM物理法則を組み合わせることで、単周波ニューラルBIMの原理に導かれる多周波ニューラルボルン反復法(NeuralBIM)の開発に成功した。
この手法は,マルチタスク学習技術とNeuralBIMの効率的な反復インバージョン処理を統合し,堅牢な多周波ボルン反復インバージョンモデルを構築する。
トレーニング中、モデルはホモシステマティックな不確実性によって導かれるマルチタスク学習アプローチを採用し、各周波数データの重みを適応的に割り当てる。
さらに、ISPの物理法則に制約された教師なし学習法を用いて、コントラストや全フィールドデータを必要としない多周波ニューラルBIMモデルを訓練する。
多周波ニューラルBIMの有効性は、ISPを解くための精度と計算効率の向上を実証し、合成および実験データを通して検証する。
さらに、この手法は強力な一般化機能と耐雑音性を示す。
多周波ニューラルBIM法は、多周波EMデータに対する新しい逆変換法を探索し、多周波データの電磁ISPに有効な解を提供する。
関連論文リスト
- Multi-frequency Electrical Impedance Tomography Reconstruction with Multi-Branch Attention Image Prior [12.844329463661857]
多周波電気インピーダンストモグラフィ(mfEIT)は有望なバイオメディカルイメージング技術である。
現在の最先端(SOTA)アルゴリズムは、教師付き学習と多元計測ベクトル(MMV)に依存しており、広範なトレーニングデータを必要とする。
我々は,mfEIT再構成のためのマルチブランチ注意画像優先(MAIP)に基づく新しい教師なし学習手法を提案する。
論文 参考訳(メタデータ) (2024-09-17T00:06:03Z) - Research on Feature Extraction Data Processing System For MRI of Brain Diseases Based on Computer Deep Learning [3.02112659232987]
本稿では,混合雑音除去法とウェーブレット解析を組み合わせ,従来の反復アルゴリズムを置き換えた行列演算法を提案する。
実験の結果、このアルゴリズムは計算時間で最速であり、検出効果は従来の反復アルゴリズムに匹敵することがわかった。
論文 参考訳(メタデータ) (2024-06-23T18:41:43Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳(メタデータ) (2023-06-19T15:37:53Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-24T09:16:31Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Digital noise spectroscopy with a quantum sensor [57.53000001488777]
本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。
ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。
ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
論文 参考訳(メタデータ) (2022-12-19T02:19:35Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳(メタデータ) (2022-01-27T20:19:07Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳(メタデータ) (2021-11-29T12:24:02Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Supervised training of spiking neural networks for robust deployment on
mixed-signal neuromorphic processors [2.6949002029513167]
混合信号アナログ/デジタル電子回路はスパイキングニューロンやシナプスを非常に高いエネルギー効率でエミュレートすることができる。
ミスマッチは、同一構成ニューロンとシナプスの効果的なパラメータの違いとして表現される。
ミスマッチに対する堅牢性や,その他の一般的なノイズ源を最大化することで,この課題に対処する,教師付き学習アプローチを提案する。
論文 参考訳(メタデータ) (2021-02-12T09:20:49Z)
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。