Attention-Unet for Electromagnetic Inverse Scattering Problems in Microwave Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep convolutional neural networks (CNNs) are investigated to solve inverse scattering problems for microwave imaging (MWI). The conventional approaches for solving inverse problems encounter challenges such as noisy data and high computational costs. Thus, various deep-learning techniques have been proposed recently to tackle these issues. In this article, the attention-Unet (ATTN-Unet) architecture with attention gates (AGs) is implemented for MWI applications. Further, it is compared against the performance of other CNN-based architectures with similar configurations, namely, DCEDnet, Unet, and Unet-Lite. In addition, the Unet-Lite is implemented with AGs, mainly to evaluate the consistency of performance improvement due to AGs. All the networks have been implemented and tested with complex—real and imaginary—inputs and outputs. The inputs are the backpropagation (BP) of the measured scattered fields onto the imaging domain. The outputs are the reconstructed real and imaginary relative complex permittivity values of an object-of-interest (OI). The results from different networks are compared against each other and against the conventional contrast source inversion (CSI) algorithm. The proposed ATTN-Unet is then tested with experimental data from the University of Manitoba (UM) repository. The results show that the implemented deep-learning method produces image reconstructions of better quality with much lesser computational time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle