CN116451747A - 一种基于多尺度特征网络的压缩感知ToF信号重建方法 - Google Patents
一种基于多尺度特征网络的压缩感知ToF信号重建方法 Download PDFInfo
- Publication number
- CN116451747A CN116451747A CN202310448066.6A CN202310448066A CN116451747A CN 116451747 A CN116451747 A CN 116451747A CN 202310448066 A CN202310448066 A CN 202310448066A CN 116451747 A CN116451747 A CN 116451747A
- Authority
- CN
- China
- Prior art keywords
- multiplied
- convolution
- module
- sampling
- tof signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims abstract description 10
- 238000007906 compression Methods 0.000 claims abstract description 10
- 238000007634 remodeling Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于多尺度特征网络的压缩感知ToF信号重建方法,涉及中子物理实验技术领域,包括:构建训练模型,包括采样模块、初始重建模块和最终重建模块;采样模块为多采样率并行训练网络,用于使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作,对原始ToF信号进行压缩处理,得到对应的测量值,且在每轮的batch块训练阶段,均随机选取预定义的采样率进行学习;初始重建模块用于利用卷积对测量值进行维度重塑,变成和原始ToF信号相同维度的初始重建ToF信号;最终重建模块用于通过不同滤波器大小的卷积块组成的Inception模块和LSTM模块对初始重建ToF信号进行学习,得到最终重建的ToF信号。本发明能重建出压缩率、重构精度、重构成功率更好的ToF信号。
Description
技术领域
本发明涉及中子物理实验技术领域,具体而言,涉及一种基于多尺度特征网络的压缩感知ToF信号重建方法。
背景技术
中子飞行时间测量(time-of-flight,ToF)方法是中子物理实验研究工作中使用的重要实验技术之一,如何准确获取核信号是飞行时间测量精度的关键。目前主要使用波形数字采样(WaveForm Digitizer,WFD)来获取核信号,但随着中子能量的增加,要求探测器信号宽度越小,根据Nyquist采样定理可知,对应要求模/数转换器(Analog to DigitalConverter,ADC)的采样率越高,面临着高功耗和高成本的严峻问题;同时高采样率ADC下获得的大量数据,给数据传输、存储和处理也带来了巨大压力。
由Candès和陶哲轩等人提出的压缩感知(Compressed Sensing,CS)理论从数学上证明,当信号在某一变换域中表现出稀疏性或者近似稀疏性时,则可以将其投影到与其变换域不相关的测量矩阵上,所需的测量数可以远低于奈奎斯特采样定理规定的采样率。使用该方法获取核信号可以有效降低数据的压缩和存储成本,也极大地便利了数据的传输。该理论一经提出就在无线通信、雷达和医疗成像等领域受到了高度关注,也为一系列核数据处理和获取提供了新方法。在基于压缩感知的核信号获取中,国内中国科学技术大学的黄锡汝博士完成了核信号的压缩采样方法研究,首次提出了“随机解调器+NESTA算法+Gabor框架“的核信号压缩采样方法,并通过仿真验证了算法的可行性[1]。但该方法中NESTA算法运算时间较长;对称性Gabor过完备原子库对核信号的稀疏性表达有待提高,因此对核信号的重构精度和时间也有待提高。
对于传统压缩感知重构算法,重构的过程是解一个欠定线性方程组,该方程组中未知数的数量比方程的数量多,通常需要添加正则约束,以解决不存在唯一解的问题,而在某些条件下该欠定方程组有稀疏解。为了求解该问题,往往基于稀疏先验知识,通过最优化方法求解该问题实现信号的重构,不同的求解方法演变出了不同的重构算法。目前常用的传统压缩感知重构算法主要为基追踪(Basic Prusuit,BP)、正交匹配追踪(Orthogonalmatching pursuit,OMP)和迭代阈值算法及其变种算法。上述传统压缩感知重构方法,利用稀疏先验知识,将欠定问题转换为带约束的优化问题,通过迭代式方法求解该优化问题。
上述传统压缩感知重构算法在重构时,基于信号的稀疏先验知识对原问题的数学解空间进行了合理的假设和限制,这也限制了传统重构算法的信号重构质量的上限。另一方面,传统的稀疏正则化方法利用率信号梯度域、小波域或其他变换域,然而,由于这些正则化方法不能很好地捕捉到复杂的信号稀疏性,往往导致在低采样率下的重建精度下降。最后一方面是由于传统重构算法采用多次迭代的方式求解优化问题,随着信号帧长的增加,优化问题的解空间维数增加,因此求解算法的耗时就越久。
发明内容
本发明在于提供一种基于多尺度特征网络的压缩感知ToF信号重建方法,其能够解决上述问题。
本发明采取的技术方案如下:
一种基于多尺度特征网络的压缩感知ToF信号重建方法,包括:
构建训练模型,训练模型包括采样模块、初始重建模块和最终重建模块;
采样模块为多采样率并行训练的网络,用于使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作,对原始ToF信号进行压缩处理,从而得到对应的测量值,且在每轮的batch块训练阶段,均随机选取预定义的采样率进行学习;
初始重建模块用于利用卷积对测量值进行维度重塑,变成和原始ToF信号相同维度的初始重建ToF信号;
最终重建模块用于通过不同滤波器大小的卷积块组成的Inception模块和LSTM模块对初始重建ToF信号进行学习,得到最终重建的ToF信号。
在本发明的一较佳实施方式中,原始ToF信号包括1024个采样点。
在本发明的一较佳实施方式中,通过采样模块得到对应的测量值的方法具体包括:
将原始ToF信号输入采样模块的第一个卷积层,其卷积核大小为1×4,步长为4,输入通道为1,输出通道为round(64×采样率),输出得到维度为(round(64×采样率)×1×256)的第一特征图;
再将第一特征图输入采样模块的第二个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出得到维度为round(64×采样率)×1×64的第二特征图;
最后将第二特征图输入采样模块的第三个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出通道为round(64×采样率),输出得到维度为round(64×采样率)×1×16的第三特征图,得到的第三特征图即为最终输出的测量信号;
每轮batch块的采样率均在预定义的采样率中随机选取,最终输出的测量信号即为测量值。
在本发明的一较佳实施方式中,预定义的采样率包括0.01,0.4,0.1,0.25和0.5,根据传入采样模块的采样率匹配对应的参数进行训练,实现不同采样率的并行训练,即预先设置不同采样率下采样模块中的卷积层的通道数,采样率为0.01,0.4,0.1,0.25和0.5对应的卷积输出通道数分别为1,3,6,16,32,对应后即能得到不同采样率下的测量值,每轮不同batch训练时,都会重新在预设的采样率中随机选取进行训练。
在本发明的一较佳实施方式中,通过初始重建模块得到初始重建ToF信号的方法具体包括:
将测量值经过初始重建模块的一个卷积核为1×1,步长为1,输入通道为round(64×采样率),输出通道为64的卷积层,得到维度为64×1×16的第四特征图,随后通过LeakyReLU激活函数层进行处理,得到初始重构信号;
对初始重构信号进行重塑,得到维度为1×1×1024的第五特征图,即初始重建ToF信号。
在本发明的一较佳实施方式中,通过最终重建模块得到最终重建的ToF信号的方法具体包括:
将初始重建ToF信号输入最终重建模块中Inception模块的一个卷积核为1×1,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的一条初始卷积线,即第一卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第二卷积线;
将第二卷积线输入最终重建模块中Inception模块的一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第三卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第四卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第五卷积线;
将第一卷积线输入最终重建模块中Inception模块的平均池化线,之后通过最终重建模块中Inception模块的一个卷积核为1×3的平均池化,然后再通过一个卷积核为1×1,步长为1,输入通道为32,输出通道为32的卷积层,输出得到维度为32×1×1024的平均池化线;
整合第一卷积线、第二卷积线、第三卷积线、第四卷积线、第五卷积线和平均池化线,得到维度为192×1×1024的第六特征图;
将第六特征图输入最终重建模块的卷积核为1×1,步长为1,进行零填充,输入通道数为192,输出通道数为1的卷积层,再通过LeakyReLU激活函数进行处理,得到维度为1×1×1024的第七特征图;
将第七特征图输入最终重建模块的LSTM层,再通过Tanh激活函数层处理,得到维度为1×1×250的第八特征图;
将第八特征图输入最终重建模块的线性层,通过线性映射得到维度为1024的第九特征图;
对第九特征图进行重塑,将其维度变换为1×1×1024,即得到最终重建的ToF信号。
在本发明的一较佳实施方式中,Inception块的4条并行的卷积线分别对应一个卷积层,且该4个卷积层的卷积核大小分别为1×3,1×5,1×7,(1×3,1×3),该4个卷积层的步长均为1,进行零填充,保持输入信号维度不变,输入通道为32,输出通道为32,4条并行的卷积线均添加了残差连接;
Inception块的平均池化线对特征图大小为32×1×1024的初始卷积信号线进行卷积核大小为1×3的平均池化,然后再采用输入和输出通道均为32,卷积核为1×1,步长为1,进行零填充,得到维度为32×1×1024的特征图,该特征图为平均池化线提取的信号特征;
在获得了4条卷积线,1条初始卷积信号线和1条平均池化线的输出之后,进行特征图的拼接,从而得到维度为192×1×1024的特征图。
与现有技术相比,本发明的有益效果是:
对原始ToF信号进行了压缩,减少使用传统WFD方法中传输模块的数据量,继而间接减少能耗;
采样模块通过分别对预设的采样率分别设置了对应通道数的卷积层,满足多采样率并行训练的条件,在预设的采样率中随机选取进行训练,仅需一次训练,就可得到所有采样率的结果,减少了分别训练的时间;
通过卷积层替代传统压缩感知方法中的测量矩阵,消除了传统方法中基于信号先验知识捕捉信息不足的局限;
通过不同滤波器大小的卷积块组成的Inception模块与LSTM模块对初始重建信号进行学习,可以对不同尺度大小的信号特征进行学习训练;
采样模块使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作,从而得到对应的测量值,在每轮的batch块训练阶段,都会随机选取预定义的采样率进行学习,因此在大量数据的基础上,一轮训练即可对不同采样率分别学习,由数据驱动网络学习数据的隐含规律(不使用任何信号的先验知识),实现信号的重构,达到在低采样率下比传统压缩感知方法更好的重构结果(压缩率、重构精度、重构成功率),同时缓解信号重构时间随信号帧长的增加而大幅上升的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的基于多尺度特征网络的压缩感知ToF信号重建方法流程图;
图2为本发明提供的基于多尺度特征网络的压缩感知ToF信号网络架构图;
图3为本发明与现有技术的PRD对比图;
图4为本发明与现有技术的重构成功率对比图;
图5为本发明与现有技术的重构时间对比图;
图6为采用本发明提供的方法重建的信号与原始信号的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本发明公开的基于多尺度特征网络的压缩感知ToF信号重建方法包括下列步骤:
S1:建立训练模型,训练模型中包括采样模块、初始重建模块和最终重建模块,获取原始ToF信号x,初始ToF信号x中包括1024个采样点。
其中,在建立训练模型时,需设定训练参数,利用损失函数训练网络,进行迭代训练,以得到训练模型的参数。
S2:将步骤S1得到的原始ToF信号x输入采样模块,在采样模块中使用压缩率对应测量值点数的卷积层对原始ToF信号x进行压缩处理,得到测量值y。
其中,使用对应测量值的卷积层对步骤S1中得到的原始ToF信号x进行压缩处理时,具体如下:
将原始ToF信号x输入采样模块的第一个卷积层,其卷积核大小为1×4,步长为4,输入通道为1,输出通道为round(64×采样率),输出得到维度为(round(64×采样率)×1×256)的第一特征图;
再将第一特征图输入采样模块的第二个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出得到维度为round(64×采样率)×1×64的第二特征图;
最后将第二特征图输入采样模块的第三个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出通道为round(64×采样率),输出得到维度为round(64×采样率)×1×16的第三特征图,得到的第三特征图即为最终输出的测量信号,总共的采样点数为round(1024×采样率),与传统压缩感知中采样点数一致;
每轮batch块的采样率均在预定义的采样率中随机选取,最终输出的测量信号即为测量值y。
S3:将步骤S2得到的测量值y输入初始重建模块进行处理,得到初始重建ToF信号,即初步恢复后的ToF信号xinitial。
具体如下:
S31:先将步骤S2中得到的测量值y进行初步的重建,经过一个卷积核为1×1,步长为1,输入通道为round(64×采样率),输出通道为64的卷积层,得到维度为64×1×16的特征图,随后通过LeakyReLU激活函数层进行处理;
S32:然后对初始重构信号进行重塑,得到维度为1×1×1024的特征图,即得到初步恢复后的ToF信号xinitial。
S4:将步骤S3得到的初步恢复后的ToF信号xinitial输入到最终重建模块进行处理,最终重建模块用于通过不同滤波器大小的卷积块组成的Inception模块和LSTM模块对初始重建ToF信号进行学习,Inception模块通过对初始重建ToF信号进行卷积和平均池化,利用卷积核的不同感受野学习不同尺度的特征,最后将学习到的局部和非局部特征堆叠在一起,然后再将堆叠的特征通过一个卷积层和LSTM模块对得到的特征进行整合提取,该模块进一步对初始重建ToF信号的局部和非局部特征进行学习,最后得到最终重建的ToF信号。
如图2所示,对于最终重建模块的Inception模块,序号①②③④⑤⑥分别代表不同的卷积线和平均池化线,在这些卷积线中,输入和输出通道均为32,特征图大小均为32×1×1024,这6条线维度均为32×1×1024,即得到拼接整合后的维度为192×1×1024的特征图。
具体操作过程如下:
1)序号①表示对初始重建ToF信号经过一个卷积核为1×1,步长为1,输入通道为1,输出通道为32的卷积层,得到维度为32×1×1024的一条初始卷积线,即第一卷积线;
2)序号②表示在①的基础上经过一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,得到维度为32×1×1024的一条卷积线,即第二卷积线;
3)序号③表示在②的基础上经过一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,得到维度为32×1×1024的一条卷积线,即第三卷积线;
4)序号④表示在①的基础上经过一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,得到维度为32×1×1024的一条卷积线,即第四卷积线;
5)序号⑤表示在①的基础上经过一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,得到维度为32×1×1024的一条卷积线,即第五卷积线;
6)序号⑥表示在①的基础上进行卷积核为1×3的平均池化,并通过一个卷积核为1×1,步长为1,输入通道为32,输出通道为32的卷积层,得到维度为32×1×1024的一条平均池化线;
7)最后通过整合序号①②③④⑤⑥得到的6条维度为32×1×1024的特征图,即整合第一卷积线、第二卷积线、第三卷积线、第四卷积线、第五卷积线和平均池化线,得到维度为192×1×1024的第六特征图;
8)将维度为192×1×1024的第六特征图输入最终重建模块的一个卷积核为1×1,步长为1,进行零填充,输入通道数为192,输出通道数为1的卷积层,再通过LeakyReLU激活函数进行处理,得到维度为1×1×1024的特征图,即第七特征图;
9)将维度为1×1×1024的第七特征图输入LSTM层,再通过Tanh激活函数层处理,得到维度为1×1×250的特征图,即第八特征图;
10)将维度为1×1×250的第八特征图输入最终重建模块的线性层,通过线性映射得到维度为1024的第九特征图;
11)对第九特征图进行重塑,将其维度变换为1×1×1024,即得到最终重建的ToF信号xfinal。
本发明中,其中重建结果的评价指标采用压缩感知重建信号质量领域常用的指标来评估恢复信号质量的好坏,这个指标为百分比均方根差(PRD):
与现有技术相比,本发明提出的技术方案中设计了多采样率并行训练的网络,仅需一次训练,就可得到所有采样率的结果,降低了训练时间。通过卷积层替代传统压缩感知方法中的测量矩阵,消除了传统方法中基于信号先验知识捕捉信息不足的局限;并通过不同滤波器大小的卷积块组成的Inception模块与LSTM模块对初始重建信号进行学习,可以对不同尺度大小的信号特征进行学习训练。
为了验证本发明的效果,使用随机生成的15000条长度为1024个采样点的ToF信号作为训练集,再使用随机生成的100条相同长度的ToF作为测试集,并与现有的多种压缩感知方法进行对比。
现有的方法分别为:正交匹配追踪算法(OMP)、子空间追踪算法(SP)、稀疏度自适应匹配追踪算法(SAMP)、压缩采样匹配追踪算法(CoSaMP)、分段正交匹配追踪算法(StOMP)和CSNet模型算法(CSNet)。
本发明提供的方法用(Proposed)表示。
表1为本发明提供的方法Proposed与现有的方法的性能对比表(重构精度、重构成功率、重构时间)。
表1
根据表1绘制图3,图3为PRD趋势图,横轴为采样率Sampling rate,纵轴为PRD。如图3所示,本发明提供的方法在低压缩率(1%,4%,10%)的情况下,PRD的值均为最低,重建性能最佳。
图4为测试100条ToF信号在不同压缩率情况下的重构成功率(PRD<9%),由图4可知,使用深度学习结合压缩感知方法相比传统方法在低采样率的情况下成功率高得多,在采样率为1%时,传统方法成功率为0,而我们的方法为79%,在采样率为4%的情况下,传统方法最高为4%,我们的方法为100%,结果表明,在低采样率(1%,4%,10%)情况下,本发明给出的算法和CSNet的PRD值远小于其他算法,并且重构成功率也远高于其他算法,当其他算法信息丢失无法恢复ToF信号时,这两种算法还可以重构出轮廓信息,这体现了本发明算法在低采样率下的重构优势。使用该方法能极大的提高在低采样率下的重构成功率,降低信号传输过程中的采样数,节省传输信号的能源消耗。
图5为对比本发明与OMP算法在不同采样率下重构100条ToF信号的重构时间,OMP算法随着采样率的升高,重构时间也明显上升,而本发明方法是使用经过训练的网络模型进行非线性重构,避免了冗长的求解过程,重构时间不随信号长度的变化而大幅改变,在高采样率下也能保持高效率重构,大大节省信号传输时间。
图6是PRD等于4.45%下ToF信号重构效果,可以看出重构ToF信号在峰值处虽没有完全重合,但也十分接近,在无信号区域也没有明显的波动。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,包括:
构建训练模型,训练模型包括采样模块、初始重建模块和最终重建模块;
采样模块为多采样率并行训练的网络,用于使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作,对原始ToF信号进行压缩处理,从而得到对应的测量值,且在每轮的batch块训练阶段,均随机选取预定义的采样率进行学习;
初始重建模块用于利用卷积对测量值进行维度重塑,变成和原始ToF信号相同维度的初始重建ToF信号;
最终重建模块用于通过不同滤波器大小的卷积块组成的Inception模块和LSTM模块对初始重建ToF信号进行学习,得到最终重建的ToF信号。
2.根据权利要求1所述基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,原始ToF信号包括1024个采样点。
3.根据权利要求1所述基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,通过采样模块得到对应的测量值的方法具体包括:
将原始ToF信号输入采样模块的第一个卷积层,其卷积核大小为1×4,步长为4,输入通道为1,输出通道为round(64×采样率),输出得到维度为(round(64×采样率)×1×256)的第一特征图;
再将第一特征图输入采样模块的第二个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出得到维度为round(64×采样率)×1×64的第二特征图;
最后将第二特征图输入采样模块的第三个卷积层,其卷积核大小为1×4,步长为4,输入通道为round(64×采样率),输出通道为round(64×采样率),输出得到维度为round(64×采样率)×1×16的第三特征图,得到的第三特征图即为最终输出的测量信号;
每轮batch块的采样率均在预定义的采样率中随机选取,最终输出的测量信号即为测量值。
4.根据权利要求3所述基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,预定义的采样率包括0.01,0.4,0.1,0.25和0.5,根据传入采样模块的采样率匹配对应的参数进行训练,实现不同采样率的并行训练,即预先设置不同采样率下采样模块中的卷积层的通道数,采样率为0.01,0.4,0.1,0.25和0.5对应的卷积输出通道数分别为1,3,6,16,32,对应后即能得到不同采样率下的测量值,每轮不同batch训练时,都会重新在预设的采样率中随机选取进行训练。
5.根据权利要求1所述基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,通过初始重建模块得到初始重建ToF信号的方法具体包括:
将测量值经过初始重建模块的一个卷积核为1×1,步长为1,输入通道为round(64×采样率),输出通道为64的卷积层,得到维度为64×1×16的第四特征图,随后通过LeakyReLU激活函数层进行处理,得到初始重构信号;
对初始重构信号进行重塑,得到维度为1×1×1024的第五特征图,即初始重建ToF信号。
6.根据权利要求1所述基于多尺度特征网络的压缩感知ToF信号重建方法,其特征在于,通过最终重建模块得到最终重建的ToF信号的方法具体包括:
将初始重建ToF信号输入最终重建模块中Inception模块的一个卷积核为1×1,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的一条初始卷积线,即第一卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第二卷积线;
将第二卷积线输入最终重建模块中Inception模块的一个卷积核为1×3,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第三卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第四卷积线;
将第一卷积线输入最终重建模块中Inception模块的一个卷积核为1×5,步长为1,输入通道为1,输出通道为32的卷积层,输出得到维度为32×1×1024的第五卷积线;
将第一卷积线输入最终重建模块中Inception模块的平均池化线,之后通过最终重建模块中Inception模块一个卷积核为1×3的平均池化,然后再通过一个卷积核为1×1,步长为1,输入通道为32,输出通道为32的卷积层,输出得到维度为32×1×1024的平均池化线;
整合第一卷积线、第二卷积线、第三卷积线、第四卷积线、第五卷积线和平均池化线,得到维度为192×1×1024的第六特征图;
将第六特征图输入最终重建模块的卷积核为1×1,步长为1,进行零填充,输入通道数为192,输出通道数为1的卷积层,再通过LeakyReLU激活函数进行处理,得到维度为1×1×1024的第七特征图;
将第七特征图输入最终重建模块的LSTM层,再通过Tanh激活函数层处理,得到维度为1×1×250的第八特征图;
将第八特征图输入最终重建模块的线性层,通过线性映射得到维度为1024的第九特征图;
对第九特征图进行重塑,将其维度变换为1×1×1024,即得到最终重建的ToF信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448066.6A CN116451747A (zh) | 2023-04-24 | 2023-04-24 | 一种基于多尺度特征网络的压缩感知ToF信号重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448066.6A CN116451747A (zh) | 2023-04-24 | 2023-04-24 | 一种基于多尺度特征网络的压缩感知ToF信号重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451747A true CN116451747A (zh) | 2023-07-18 |
Family
ID=87133506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310448066.6A Pending CN116451747A (zh) | 2023-04-24 | 2023-04-24 | 一种基于多尺度特征网络的压缩感知ToF信号重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451747A (zh) |
-
2023
- 2023-04-24 CN CN202310448066.6A patent/CN116451747A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730451B (zh) | 一种基于深度残差网络的压缩感知重建方法和系统 | |
CN110490832B (zh) | 一种基于正则化深度图像先验方法的磁共振图像重建方法 | |
CN110084862B (zh) | 基于多尺度小波变换与深度学习的图像压缩感知算法 | |
CN109410114B (zh) | 基于深度学习的压缩感知图像重建算法 | |
CN109003229B (zh) | 基于三维增强深度残差网络的磁共振超分辨率重建方法 | |
CN108419083B (zh) | 一种图像多级小波全子带压缩感知编码方法 | |
CN107527371B (zh) | 一种在压缩感知中逼近光滑l0范数的图像重建算法的设计构建方法 | |
CN110048724A (zh) | 一种电能质量信号压缩采样重构方法 | |
CN105488767B (zh) | 一种基于最小二乘优化的压缩感知图像快速重建方法 | |
CN113689513B (zh) | 一种基于鲁棒张量分解的sar图像压缩方法 | |
CN116228912B (zh) | 基于U-Net多尺度神经网络的图像压缩感知重建方法 | |
CN110288529B (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
CN109584330A (zh) | 一种基于压缩感知逼近l0范数的梯度投影图像重建方法 | |
CN114786018A (zh) | 基于贪婪随机稀疏Kaczmarz的图像重建方法 | |
CN111681298A (zh) | 一种基于多特征残差网络的压缩感知图像重建方法 | |
CN113362405A (zh) | 一种基于StOMP压缩感知图像重构系统的构建方法 | |
CN116451747A (zh) | 一种基于多尺度特征网络的压缩感知ToF信号重建方法 | |
CN109191540B (zh) | 一种基于截断核范数的磁共振波谱重建方法 | |
CN106899305B (zh) | 一种基于第二代小波的原始信号重构方法 | |
CN109188327B (zh) | 基于张量积复小波紧框架的磁共振图像快速重构方法 | |
CN114118177B (zh) | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 | |
CN109448065B (zh) | 一种基于梯度分块自适应测量的压缩感知方法 | |
CN109559357A (zh) | 一种基于小波包阈值的图像块压缩感知重构方法 | |
CN111669183B (zh) | 一种压缩感知采样与重建方法、设备及存储介质 | |
CN110266318B (zh) | 一种在压缩感知信号重建中基于梯度投影算法的测量矩阵优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |