[论文解读] Application Specific Instrumentation (ASIN): A Bio-inspired Paradigm to Instrumentation using recognition before detection

Amit Kumar Mishra|arXiv (Cornell University)|Oct 31, 2016

Neural Networks and Applications被引用 4

一句话总结

本文提出了應用特定儀器化（ASIN），一種受生物啟發的範式，將傳統的偵測優先方法替換為識別優先感測，使用低解析度、應用特定的感測器與最少的運算。它利用單組UWB雷達，在專門任務（如乳癌腫瘤偵測與污泥體積估計）中實現高效率，模擬與實驗的相關係數分別為0.91與0.88，並根據Neyman-Pearson與Cramer-Rao原理重新定義解析度。

ABSTRACT

In this paper we present a new scheme for instrumentation, which has been inspired by the way small mammals sense their environment. We call this scheme Application Specific Instrumentation (ASIN). A conventional instrumentation system focuses on gathering as much information about the scene as possible. This, usually, is a generic system whose data can be used by another system to take a specific action. ASIN fuses these two steps into one. The major merit of the proposed scheme is that it uses low resolution sensors and much less computational overhead to give good performance for a highly specialised application

研究动机与目标

• 開發一種受生物系統啟發的新儀器化範式，強調功能特定感測而非通用資料擷取。
• 透過專注於應用特定的測量矩陣而非高解析度通用感測，降低運算負荷與感測器複雜度。
• 證明識別優先的儀器化系統在專門任務（如醫療腫瘤偵測與工業污泥體積估計）中可超越傳統偵測導向系統。
• 重新定義儀器系統中的解析度，使其更符合目標導向、應用特定情境下的表現。

提出的方法

• 設計低解析度感測器，搭配應用特定的測量矩陣 $P_{ASIN}$，以預處理環境信號，實現目標偵測。
• 使用簡單的相關運算器取代複雜的訊號處理鏈，以降低運算負荷。
• 採用二元決策解讀器，僅輸出必要決策，最小化處理開銷。
• 應用模式識別演算法，估計偵測目標物的機率 $P_p$，並透過Neyman-Pearson原則控制偽陽性。
• 使用單層神經網絡作為相關運算器，於模擬與實測資料上訓練，以從UWB雷達回波估計污泥體積。
• 重新定義解析度，採用兩套框架：基於Neyman-Pearson的解析度 $\delta_{NP}$ 與基於Cramer-Rao界之解析度 $\delta_{CR}$，兩者皆與偵測表現的變化及費雪資訊相關。

实验结果

研究问题

• RQ1 識別優先於偵測的方法是否能在專門應用中超越傳統偵測優先的儀器化系統？
• RQ2 低解析度、應用特定的感測器搭配客製化測量矩陣，如何在目標任務中實現高效率？
• RQ3 對於目標導向、二元決策性質的應用特定儀器化系統，何種解析度定義是合適的？
• RQ4 單組UWB雷達是否足以取代多節點陣列，在腫瘤偵測與污泥體積估計等任務中發揮作用？
• RQ5 基於Neyman-Pearson與Cramer-Rao的解析度指標如何提升ASIN系統的效能量化？

主要发现

• ASIN框架在使用單組UWB雷達的條件下，於模擬中實現0.91的相關係數，於實境測量中達0.88，適用於污泥體積估計。
• ASIN在使用單組UWB雷達的情況下，於乳癌腫瘤偵測任務中展現出高效能，顯著降低對複雜感測器陣列與高解析度處理的需求。
• 所提出的應用特定測量矩陣 $P_{ASIN}$ 對於聚焦感測輸出至目標決策至關重要，使系統得以在極少運算下實現高效率。
• 基於Neyman-Pearson的解析度 $\delta_{NP}$ 定義為：在偽陽性機率變化 $\Delta P_{fp}$ 低於門檻值 $\epsilon$ 條件下，允許的最大目標物值變化 $\Delta\theta$，提供解析度的性能邊界定義。
• 基於Cramer-Rao界之解析度 $\delta_{CR}$ 定義為：使費雪資訊變化 $\Delta I(\theta) \leq \epsilon$ 時的最大 $\Delta\theta$，提供適用於模型不完善的系統之資料導向解析度指標。
• 本研究顯示，ASIN系統可在較低成本、較低運算負荷與更簡化硬體下，實現高任務特定準確度，優於傳統儀器化系統。