Deep learning-based reconstruction methods for near-field mimo radar imaging
Yakın alan mikrodalga görüntülemede derin öğrenmeye dayalı imge geriçatım teknikleri
- Tez No: 759979
- Danışmanlar: DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Yakın alan mikrodalga görüntüleme sistemleri tıp, duvar arkası görüntüleme, gizli silah tespiti ve gözetleme gibi çeşitli alanlarda kullanılmaktadır. Bu sistemler radardan elde edilen ölçümlerden üç boyutlu bir sahnenin yansıtıcılık dağılımını geri kazanır. Bu görüntüleme sistemlerinin başarımı, kullanılan geriçatım yöntemine büyük ölçüde bağlıdır. Literatürde var olan analitik yöntemlerin dezavantajları yüksek hesaplama yüküne sahip olmaları veya düşük geriçatım başarımı göstermeleridir. Seyreklik düzenlileştirmesine dayalı analitik yöntemlerin direkt evirme yöntemlerinden daha iyi geriçatım başarımı sağlamalarına rağmen, yüksek hesaplama yükleri gerçek zamanlı görüntülemede kullanılmalarını zorlaştırmaktadır. Bu tezde, yakın alan mikrodalga görüntüleme sistemleri için derin öğrenmeye dayalı iki yeni geriçatım yöntemi geliştirilmektedir. Bu tezin ana amacı yüksek kaliteli geriçatıma düşük hesaplama yükü ile ulaşmaktır. Geliştirilen ilk yöntem eklenik işlemini takiben derin sinir ağı içeren iki aşamadan oluşmaktadır. Eklenik işlemini gerçekleştiren ilk aşamada ölçüm modelinden faydalanılarak ölçümlerin görüntü uzayına geri izdüşümü yapılır. İkinci aşamada ise derin bir sinir ağı kullanılarak elde edilen ara sonucun sahnenin gerçek görüntüsüne dönüştürülmesi amaçlanır. Karşılaştırma amacıyla geliştirilen ikinci yöntemde, geriçatılmak istenen görüntünün direkt olarak ölçümlerden derin sinir ağları kullanılarak elde edilmesi amaçlanır. Bu amaçla ilk geliştirilen yöntemin ilk aşamasında kullanılan eklenik işleci yerine tam bağlantılı sinir ağı kullanılır. Geliştirilen iki yaklaşımda da ikinci aşamada üç boyutlu U-Net yapısı kullanılır, böylece geriçatılan görüntünün her üç yönündeki ilinti bilgisinden de faydalanılır. Geliştirilen geriçatım yöntemlerinin başarımları sentetik veri seti üretilerek gösterilmekte ve analitik yöntemlerle karşılaştırılmaktadır. Eklenik işlecini içeren geliştirilen ilk yöntem, en iyi geriçatım kalitesine hızlı bir hesaplama ile ulaşmaktadır.
Özet (Çeviri)
Near-field multiple-input multiple-output (MIMO) radar imaging systems are of interest in diverse fields such as medicine, through-wall imaging, airport security, and surveillance. These computational imaging systems reconstruct the three-dimensional scene reflectivity distribution from the radar data. Hence their imaging performance largely depends on the image reconstruction method. The analytical reconstruction methods suffer from either low image quality or high computational cost. In fact, sparsity-based methods offer better image quality than the traditional direct inversion methods, but their high computational cost is undesirable in real-time applications. In this thesis, we develop two novel deep learning-based reconstruction methods for near-field MIMO radar imaging. The main goal is to achieve high image quality with low computational cost. The first approach has a two-staged structure that consists of an adjoint operation followed by a deep neural network. The adjoint stage exploits the observation model and back project the measurements to the reconstruction space. The second stage employs a deep neural network which is trained to convert the backprojected measurements to a suitable reflectivity image. For comparison, a second approach is also developed which replaces the adjoint stage with a fully connected neural network. In this two-staged structure, the reconstruction is performed directly from the radar measurements using neural networks which are trained end-to-end to learn the direct mapping between the measurements and unknown reflectivity magnitude. For each case, a 3D U-Net is used at the second stage to jointly exploit range and cross-range correlations. We demonstrate the performance of the developed methods using a synthetically generated dataset and compare with the commonly used analytical methods. The developed two-staged method with adjoint provides the best reconstruction quality while enabling fast reconstruction.
Benzer Tezler
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Difüz optik tomografi esaslı medikal tanılamada derin öğrenmenin kullanımı
Use of deep learning in diffuse optical tomography based medical diagnosis
AHMET KARAZOR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERKAN ZEKİ ENGİN
- Deep learning-based unrolled reconstruction methods for computational imaging
Hesaplamalı görüntüleme için derin öğrenme tabanlı geriçatım yöntemleri
CAN DENİZ BEZEK
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Learning-based reconstruction methods for magnetic particle imaging
Manyetik parçacık görüntüleme için öğrenme tabanlı geriçatım teknikleri
ALPER GÜNGÖR
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- A novel approach in 3D reconstruction of coronary artery tree from 2D X-ray angiograms
2-D X-ray anjiyogramlardan koroner arter ağacının 3-D yeniden yapılandırmasında yeni bir yaklaşım
İBRAHİM ATLI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN SERDAR GEDİK