[論文レビュー] Intelligent Electromagnetic Sensing with Learnable Data Acquisition and Processing

Haoyang Li, Hanting Zhao+5 more|arXiv (Cornell University)|Dec 5, 2019

Indoor and Outdoor Localization Technologies被引用数 10

ひとこと要約

本稿では、プログラマブルメタサーフェスを用いた学習可能なデータ取得システムと、変分オートエンコーダーに基づくデータドリブンな処理パイプラインを統合した知能的な電磁界センシングフレームワークを提案する。三ポートの深層ニューラルネットワークを用いて測定戦略と後処理を共同最適化することで、マイクロ波実験において測定回数を著しく削減しながらも、高品質な画像再構成と正確な物体認識を実現した。

ABSTRACT

Electromagnetic (EM) sensing is a wide-spread contactless examination technique in science, engineering and military. However, conventional sensing systems are mostly lack of intelligence, which not only require expensive hardware and complicated computational algorithms, but also pose important challenges for advanced in-situ sensing. To address this shortcoming, we propose the concept of intelligent sensing by designing a programmable metasurface for data-driven learnable data acquisition, and integrating it into a data-driven learnable data processing pipeline. This strategy allows to learn an optimal sensing chain in systematic sense of variational autoencoder, i.e., to jointly learn an optimal measurement strategy along with matching data post processing schemes. A three-port deep artificial neural network (ANN) is designed to characterize the measurement process, such that an optimal measurement strategy is adaptive to the subject of interest by controlling the programmable metasurface for manipulating the EM illuminations. We design and fabricate a proof-of-principle sensing system in microwave, and demonstrate experimentally its significance on the high-quality imaging and high-accuracy object recognition from a remarkably reduced number of measurements. We faithfully expect that the presented methodology will provide us with a fundamentally new perspective on the design of intelligent sensing architectures at various frequencies, and beyond.

研究の動機と目的

• 従来の電磁界センシングシステムが固定されたハードウェアと複雑なアルゴリズムに依存し、高コストであるという制限を克服すること。
• 適応的で知的なデータ取得と処理を可能にすることで、高度なイン・サイトセンシングの課題に取り組むこと。
• 測定と処理を共同最適化する体系的で学習可能なセンシングチェーンを設計すること。
• マイクロ波周波数におけるプログラマブルメタサーフェスを用いたデータドリブンなセンシングアーキテクチャの実現可能性を実証すること。

提案手法

• プログラマブルメタサーフェスを用いて電磁界照射を制御し、対象物体に適したアダプティブなデータ取得を可能にする。
• 三ポートの深層ニューラルネットワークを測定プロセスをモデル化し、入力データに基づいて最適な測定戦略を学習可能にする。
• センシングパイプラインを変分オートエンコーダーとして構築し、エンドツーエンドで最適化可能な形で測定と後処理を共同最適化可能にする。
• エンドツーエンドで学習し、スパarsな測定条件下で再構成誤差を最小化するとともに、推論精度を向上させる。
• 実機ハードウェアを用いたプロトタイプマイクロ波センシングシステムを製作し、実験的に検証した。
• このフレームワークにより、センシングハードウェア（メタサーフェス）と信号処理アルゴリズムの両方をデータドリブンに最適化可能である。

実験結果

リサーチクエスチョン

• RQ1 電磁界センシングのための、学習可能なセンシングチェーンを設計し、データ取得と処理を共同最適化できるか？
• RQ2 プログラマブルメタサーフェスと深層ニューラルネットワークを統合することで、測定回数を減らしてもセンシング性能が向上するか？
• RQ3 データドリブンなアプローチによって、EMセンシングにおけるハードウェアの複雑さと計算コストをどの程度低減できるか？
• RQ4 提案されたフレームワークは、スパarsな測定条件下でも高精度な物体認識と画像再構成を達成できるか？
• RQ5 このシステムは、対象物体の特徴に応じて測定戦略をどのように適応させるか？

主な発見

• 提案されたシステムは、従来手法と比較して著しく少ない測定回数で高品質な画像再構成と正確な物体認識を達成した。
• 実装されたマイクロ波システムにおける実験結果から、学習可能なセンシングフレームワークの実現可能性と有効性が確認された。
• 変分オートエンコーダーを用いた測定と処理の共同最適化により、再構成の忠実度と分類精度が向上した。
• 三ポートの深層ニューラルネットワークにより、プログラマブルメタサーフェスの制御がアダプティブに可能になり、対象物体に最適なEM照射が実現した。
• スパarsな測定条件下でも、画像再構成および認識タスクの両方で、システムは頑健な性能を示した。
• この手法は、さまざまな周波数帯域において知的なセンシングアーキテクチャを設計するための、新たな体系的アプローチを提供する。