[论文解读] 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 10

一句话总结

本文提出了一种智能电磁传感框架，将可学习的数据采集系统（基于可编程超表面）与基于变分自编码器的数据驱动处理流程相结合。通过采用三端口深度神经网络联合优化测量策略与后处理，该系统在微波实验中实现了高质量成像与高精度目标识别，且测量次数显著减少。

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.

研究动机与目标

• 为克服传统电磁传感系统依赖固定硬件与复杂算法、成本高昂的局限性。
• 应对先进原位传感的挑战，实现自适应、智能的数据采集与处理。
• 设计一种系统化、可学习的传感链，联合优化测量与处理以提升性能。
• 在微波频段验证基于可编程超表面的数据驱动传感架构的可行性。

提出的方法

• 使用可编程超表面控制电磁照射，实现针对目标物体的自适应数据采集。
• 采用三端口深度神经网络建模测量过程，使系统能够基于输入数据学习最优测量策略。
• 传感流程采用变分自编码器结构，实现测量与后处理的端到端可训练联合优化。
• 系统端到端训练以最小化重建误差，并在稀疏测量条件下提升推理准确性。
• 制作了概念验证级微波传感系统，并通过真实硬件进行实验验证。
• 该框架实现了传感硬件（超表面）与信号处理算法的联合数据驱动优化。

实验结果

研究问题

• RQ1 能否设计一种可学习的传感链，以联合优化电磁传感中的数据采集与处理？
• RQ2 将可编程超表面与深度神经网络结合，如何在减少测量次数的前提下提升传感性能？
• RQ3 数据驱动方法在电磁传感中能在多大程度上降低硬件复杂度与计算成本？
• RQ4 所提出的框架是否能在稀疏测量条件下实现高精度目标识别与成像？
• RQ5 该系统如何根据目标物体的特性自适应调整其测量策略？

主要发现

• 与传统方法相比，所提出的系统在极低测量次数下仍能实现高质量成像与高精度目标识别。
• 在实际制作的微波系统上的实验结果证实了可学习传感框架的可行性与有效性。
• 通过变分自编码器框架联合优化测量与处理，显著提升了重建保真度与分类准确性。
• 三端口深度神经网络实现了对可编程超表面的自适应控制，可针对目标物体定制电磁照射。
• 在稀疏测量条件下，该系统在成像与识别任务中均表现出稳健性能。
• 该方法为在不同频段设计智能传感架构提供了全新的系统化方法。