.png){kind=icon}
.png){kind=icon}
返回
A data-driven framework for fast three dimensional shape reconstruction from phaseless acoustic scattering data
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6420/ae537e.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
声学逆散射问题在医学成像、声纳和非破坏性评估等多个领域具有关键重要性。所关注的问题可能涉及从障碍物形状的检测到其性质的识别。挑战在于该问题严重不适定且高度非线性。多年来，人们付出了巨大努力来开发该问题的解决方案。然而，现有的快速数据驱动方法主要关注二维散射情况。本文探讨了使用机器学习加速解决该问题三维（3D）版本的可能性。为此，我们开发了逆散射形状重建网络（ISSRNet），这是一个利用相位缺失远场数据进行3D形状重建的深度学习框架。该框架通过（a）使用由3D变分自编码器学习的紧凑概率形状潜在空间，以及（b）训练卷积神经网络提取由多个入射波引起的远场特征并将声学散射信息映射到该形状表示来实现。我们在随机岩石状颗粒和来自流行ShapeNet数据集的飞机物体上展示了ISSRNet的3D形状重建能力。我们还评估了在训练低分辨率散射数据以及接收器位置存在不确定性时的框架性能。我们的实验表明，所提出的框架能够捕捉全局和局部细节，区分不同类型的形状，并且比其数值迭代方法快几个数量级。
Keyword:
3D shape recognition
inverse scattering problems
machine learning