EP4260466A1 - Méthode de mesure compressive de la distribution statistique d'une grandeur physique - Google Patents

Méthode de mesure compressive de la distribution statistique d'une grandeur physique

Info

Publication number
EP4260466A1
EP4260466A1 EP21851666.4A EP21851666A EP4260466A1 EP 4260466 A1 EP4260466 A1 EP 4260466A1 EP 21851666 A EP21851666 A EP 21851666A EP 4260466 A1 EP4260466 A1 EP 4260466A1
Authority
EP
European Patent Office
Prior art keywords
vector
physical quantity
measurement
binary
statistical distribution
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
Application number
EP21851666.4A
Other languages
German (de)
English (en)
Inventor
William Guicquero
Valentin POISSON
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique CEA, Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique CEA
Publication of EP4260466A1 publication Critical patent/EP4260466A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3082—Vector coding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the present invention generally relates to the processing of information in compressed form. It finds particular application in single photon detection devices or SPAD (Single Photon Avalanche Diode), in particular for imaging using such sensors.
  • SPAD Single Photon Avalanche Diode
  • Single Photon Detection Devices are used in a wide variety of fields, including medical imaging, time-of-flight imaging, LIDAR imaging, emission tomography positrons, etc.
  • the underlying principle of most of these imaging systems consists in measuring a time of flight (ToF) of an electromagnetic pulse emitted by a source synchronized with the acquisition system.
  • a SPAD sensor makes it possible to measure the return flight time of a pulse emitted by a light source reflected by an object to be imaged.
  • SPAD sensors have recently undergone significant improvements in terms of consumption, temporal resolution or dynamics, the performance of these sensors comes up against several constraints.
  • the flight time information which generally represents the useful information, is carried by the statistical distribution of the time of arrival of the photons on the sensor.
  • the useful signal is drowned in the noise which can represent up to 98% or even more of the total signal. It is therefore necessary to perform a large number of successive acquisitions of the object to be imaged to obtain an acceptable signal-to-noise ratio.
  • SPAD sensors must follow the evolution of imaging systems and therefore achieve high dynamics (or equivalently for time-of-flight imaging, high resolutions in distance) and high spatial resolutions.
  • Each acquisition of a pixel of the imager therefore assumes the ability to store and process a considerable number of bits and this on the smallest possible surface.
  • a first technique called “Partitioned Inter-frame Histogram” or PlfH consists in dividing the dynamics of the time-of-flight distribution into intervals, the histograms relating to these intervals being obtained sequentially. This technique reduces the memory footprint per pixel but does not reduce the amount of data generated by each pixel.
  • a second technique called “Folded inter-frame Histogram” or FifH proceeds by zooming.
  • a first analysis is carried out with a coarse division of the time-of-flight dynamics, then a second finer analysis is carried out around the peak detected in the first analysis.
  • the time-of-flight dynamic of the second histogram is generally chosen equal to the width of the elementary interval (bin) used for the coarse analysis.
  • This second technique has the advantage of reducing the acquisition frequency of the sensor. However, the quantity of data generated per pixel remains high, in particular when a large number of acquisitions is necessary to improve the signal-to-noise ratio.
  • the acquisition of a histogram of a physical quantity can be a preliminary step to the estimation of a target variable depending on the distribution of this greatness.
  • the time histogram of the events detected by the SPAD sensor makes it possible to estimate the arrival time or the round trip propagation time of a light pulse after reflection on an object. .
  • the histogram can be of spatial type instead of being of temporal type.
  • the histogram of the photons, emitted or reflected by an object, and received by a matrix of SPAD sensors can make it possible to predict a characteristic of this object or even to classify this object among a plurality of possible classes.
  • the quantity of data to be processed can be prohibitive, in particular when the dynamic range of the physical quantity is high and/or when a high resolution is required.
  • the data in question is compressed and stored in memory before being restored to perform deferred processing (off-line).
  • this solution cannot be applied when the prediction must be made in real time and consequently the histogram must be constructed online (on line) due to the difficulty of integrating significant computing resources into the sensor circuit.
  • the object of the present invention is to propose a device for measuring the statistical distribution of a physical quantity which allows a significant reduction in the memory footprint.
  • a subsidiary object of the present invention is to provide a device for predicting a target variable depending on the statistical distribution of values taken by a physical quantity, which can operate online, as these values are acquired. , without mobilizing significant computing resources.
  • the prediction can consist of a classification operation or a regression operation.
  • the present invention is defined by a method of compressive measurement of the statistical distribution of a physical quantity according to claim 1. Advantageous embodiments are specified in dependent claims 2-7.
  • the invention also relates to a method for predicting a target variable depending on the statistical distribution of a physical quantity, in which said statistical distribution is measured by means of this method of compressive measurement.
  • the invention also relates to a device for measuring the statistical distribution of a physical quantity as defined in independent claim 8.
  • Advantageous embodiments are specified in dependent claims 9-15.
  • the invention also relates to a device for predicting a target variable depending on the statistical distribution of a physical quantity, comprising such a device for compressive measurement of this statistical distribution.
  • Fig. IA represents an example of successive acquisition passes of a physical quantity and the resulting histogram
  • Fig. IB represents an example of successive acquisition passes of a physical quantity in an ideal case and the resulting histogram
  • Fig. 2 schematically represents a device for constructing a histogram of discrete values of a physical quantity known from the state of the art
  • FIG. 3 schematically represents the flowchart of a method for compressive measurement of the statistical distribution of a physical quantity, according to one embodiment of the invention
  • Fig. 4 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a first embodiment of the invention
  • Fig. 5 details a first example of implementation of the coding module in the device of FIG. 4
  • Fig. 6 details a second example of implementation of the coding module in the device of FIG. 4;
  • Fig. 7 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a second embodiment of the invention.
  • Fig. 8 details an example of implementation of the recursive summation module in the device of FIG. 7;
  • Fig. 9 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a third embodiment of the invention.
  • Fig. 10 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a fourth embodiment of the invention.
  • this physical quantity correspond for example to observations of a physical signal during the occurrence of events.
  • this physical quantity is a time of arrival of a photon on a SPAD sensor or the coordinates of the point of impact of a photon on a array of SPAD sensors.
  • This histogram can make it possible, in certain cases, to predict a target variable depending on the statistical distribution in question.
  • the class to which the image of an organ obtained by a positron emission tomograph after injection of radioactive markers belongs it will be possible, for example, to predict the class to which the image of an organ obtained by a positron emission tomograph after injection of radioactive markers belongs.
  • the positrons emitted by this organ generate photons during their annihilation with electrons, these photons being detected by a matrix of elementary sensors SPAD.
  • the class to which the image (or the organ itself) belongs depends on the spatial distribution of the photons received by the matrix of elementary sensors.
  • Fig. IA represents a plurality of successive acquisition passes Pi, PZ,..., PM of the time of arrival (or time of flight) of photons received by a SPAD sensor, when a light pulse is sent towards and reflected by an object.
  • the photons detected during the successive acquisition passes Pi are denoted by the arrows 110, each detected photon corresponding to a time-of-flight (ToF) value.
  • the time-of-flight range is quantized (or equivalently discretized) into 2 6 -1 elementary intervals (or "bins") ranging from 0 to -1) T where T is the duration of an elementary interval.
  • the statistical distribution includes a first component due to noise and a second component due to a useful signal.
  • Fig. IB represents a plurality of successive acquisition passes Pi, PZ, ..., PM of the time of flight of photons received by an ideal SPAD sensor, ie in the absence of noise.
  • the scores of the different elementary intervals are all negative (lower than the value h 0 corresponding to the LSB), except for that corresponding to the round-trip propagation time of the pulse reflected by the object. From the histogram of the quantified values of the arrival times of the photons (physical quantity), it is possible to determine the round-trip flight time or the distance to the object (target variable to be predicted).
  • This histogram can be conventionally obtained by incrementing the scores of each of the elementary intervals as represented in FIG. 2.
  • the score of the elementary interval in which the event occurs is incremented by 1. More precisely, if the dynamics of the physical quantity (time of flight) is quantified (discretized) on b bits, in other words if this dynamic is divided into 2" elementary intervals, the event occurring during pass i can be represented by a binary vector, d ; of size 2" , each element corresponding to an elementary interval.
  • the elements of d are all harmed, with the exception of the one, equal to 1, corresponding to the interval in which the event occurs, if any.
  • the binary vector d can be considered as a code word in position of length 2" , the position of the "1" bit in the word in question giving the quantified value of the physical quantity.
  • the histogram of the physical quantity can be represented by the vector h in a quantification space of dimension 2" , that is: where N is the number of events taken into account in the histogram.
  • the elements of h are words of log 2 N bits.
  • a first idea underlying the invention is to note that a histogram can be represented by a reduced number of parameters (or latent variables) and that therefore a compressive measurement of the histogram can be carried out in a space of reduced dimension, called measurement space by means of a compressive acquisition matrix, . If we assume that the dimension of the measurement space is K ⁇ 2b , the compressive acquisition matrix is of size Kx2 b in the canonical bases of the quantization space and the measurement space:
  • the measurement vector can then be expressed in the form:
  • the elements of the matrix are advantageously derived from a pseudo-random (deterministic) process so that the row-vectors of are inconsistent with the canonical basis of R .
  • a second idea underlying the invention is to build the measurement vector y on the fly, as events occur. Indeed, the measurement vector can be constructed recursively on each new event providing a binary vector d ; :
  • the measurement vector, y can then be used as an input variable to a previously trained neural network to predict a target variable.
  • the prediction can be regression or classification. If we note z this target variable (here a scalar), it can then be predicted by means of:
  • This increasing function can be chosen linear: where a, b are positive integers.
  • Fig. 3 schematically represents the flowchart of a method for compressive measurement of the statistical distribution of a physical quantity, according to a general embodiment of the invention.
  • This measurement method is iterative, each iteration comprising:
  • a new quantified value of the physical quantity results from a quantification of the physical quantity by means of a tiling of the first space into elementary squares, for example a tiling of a time range into elementary intervals or a spatial tiling of a sensor into elementary sensors.
  • the quantized value of the physical quantity can be represented as a binary vector of size 2 b where 2 b is the cardinality of the quantization set, i.e. the number of possible quantized values of said physical quantity (by example number of squares or quantization steps in the range of variation of the physical quantity). This vector has a single nonzero element, equal to 1, at the position representing the quantized value.
  • a second step, 320 in which a vector representative of this value in a measurement space of dimension K is generated from the quantified value, said representative vector being obtained from the quantified value by means of an injective function from all the quantized values to the measurement space.
  • the dimension K is such that b ⁇ K ⁇ 2 b .
  • This representative vector can be obtained by projection of the binary vector of the quantized physical quantity onto a subspace of R /V of dimension K generated by the row-vectors of the matrix .
  • the projection of the binary vector d ; on this subspace is none other than the column-vector •
  • the elements of the column-vector can be generated by means of operations of permutation, replication, concatenation of subsets of bits of v ⁇ (binary representation of the position v( ⁇ ) ) as well as by combinatorial logic operations relating to the bits resulting from these operations.
  • the binary elements of the column vector can be associated with signed binary values, a first signed binary value (for example the signed binary value +1) being associated with the "1" bit and a second signed binary value (for example the signed binary value -1), opposite to the first, being associated with bit “0”.
  • a first signed binary value for example the signed binary value +1
  • a second signed binary value for example the signed binary value -1
  • a third step, 330 in which the measurement vector is updated, on the fly, by means of said representative vector, namely the projection of the binary vector into the measurement space.
  • This update is performed, element by element of the measurement vector, by incrementing this element if the corresponding element of the representative vector is equal to “1”, and by decrementing it if the corresponding element of the representative vector is equal to “ 0".
  • a target variable scaling or multimodal
  • the neural network uses as input variable the measurement vector y, of dimension substantially lower than the dimension of the quantification space.
  • the target variable can be predicted, at 350, using a previously trained neural network, from the measurement vector y of the histogram.
  • Fig. 4 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a first embodiment of the invention.
  • the device receives as input, at each new event or observation, a binary vector, d ; , of size 2" , representing the quantized value of the physical quantity, for example the arrival time of a photon.
  • This binary vector can be considered as a code word in position indicating the quantized value of the physical quantity in the quantization space.
  • the binary vector d is supplied to a projection module 410 which projects it onto the measurement space, of dimension K and more precisely onto the row-vectors of the matrix .
  • the result of the projection is a vector V v (,) of size K.
  • / v (.) are binary elements (associated with binary values signed +1 or -1).
  • Module 420 recursively performs a summation in the second space. Each element of is added to the corresponding element of y according to expression (3).
  • the output vector of the summation module is a measurement vector y of size K whose elements are signed binary words of size log 2 (N). This vector is representative of the projection of the histogram in the second space.
  • the measurement vector y can serve as an input variable to the artificial neural network, 430.
  • the neural network, 430 then performs a prediction of the target variable z from the input variable y.
  • This prediction, z can be a scalar value (for example an arrival time of a light pulse in the previous example) or a class (class of object whose discretized spectrum is observed) or even vectorial (target value multimodal).
  • Fig. 5 details a first example of implementation of the projection module in the device of FIG. 4.
  • the projection module 510 optionally includes a transcoder to encode the binary vector d ; in a (weighted) binary word, 511, x i coding on b bits the quantized value of the physical quantity. This transcoder is not present if the sensor directly outputs the binary word in question.
  • the binary word x t is supplied to a randomization circuit.
  • This circuit comprises a first layer, 513, in which bit duplication and shuffling operations are carried out by means of permutation, separation and concatenation operations.
  • a second layer, 515 performs combinatorial logic operations on the first randomized binary word, here exclusive OR operations between consecutive bits of this binary word.
  • the second layer provides a second randomized binary word whose bits respectively control the incrementation (bit value equal to 1) and the decrementation (bit value equal to 0) of 16 counters of a counting circuit 520.
  • the count performs the recursive sum according to expression (3).
  • the histogram is here compressed by a factor of 16 ( 2 b / K ).
  • Fig. 6 details a second example of implementation of the projection module in the device of FIG. 4.
  • the projection module, 610 comprises an optional transcoder, 611, converting the binary vector d ; into a weighted binary word, x t as well as a randomization circuit.
  • a second layer, 615 performs combinational logic operations on the bits of the first randomized binary word to provide a second randomized binary word of 20 bits whose bits respectively control the incrementation (bit value equal to 1) and the decrementation (bit value equal to 0) of 16 counters of the counting circuit 620.
  • the second layer of the randomization circuit comprises a first sub-layer consisting of OR gates and a second sub-layer consisting of AND gates.
  • the histogram is compressed here by a factor of 51 (2 b /K).
  • Fig. 7 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a second embodiment of the invention.
  • This embodiment includes a projection module, 710, a recursive summation module, 720, as in the first embodiment.
  • the recursive summation module 720 weights each component of the vector at the output of the projection module with a weight before summing it to the current vector y.
  • Weight can be chosen so as to favor the contributions of the measurements having a low probability of occurrence in the histogram.
  • the measurement vector y can serve as input variable to the neural network 730 for the prediction of the target variable, scalar or vector (multinomial) as above.
  • Fig. 8 details an example of implementation of the recursive summation module in the device of FIG. 7.
  • the projection module, 810 represented in FIG. 8 is here identical to that of FIG. 5.
  • the recursive summation module is implemented by a counting circuit 820 comprising 16 counters, each counter being decremented (resp. incremented) by a value . (positive integer) when the corresponding bit at the output of the projection module is equal to 0 (respectively 1).
  • the measurement vector y can be used as previously as an input variable to the neural network 830 for the prediction of the target, scalar or vector variable.
  • Fig. 9 schematically represents the structure of a device for compressive measurement of the statistical distribution of a physical quantity, according to a third embodiment of the invention.
  • This embodiment differs from the previous embodiments in that it comprises at the output a noise subtraction module, 925, making it possible to subtract from a vector, y′, representing a histogram of the quantized values of the noisy signal, in the 'measurement space, a vector y', of the same dimension representing a histogram of the quantized values of the noise alone, in this same space.
  • This embodiment assumes that it is possible to make a noise measurement outside the useful signal, for example by cutting off the signal source or else by means of detection synchronous with a pulsed signal.
  • a projection in the same space of measurement in other words on the vectors-line of ) respectively of the signal and the noise, thanks to the projection module, 910, and of the recursive summation module, 920.
  • the vector y" representative of the histogram of the quantized values of the noise alone, in the measurement space can be stored locally in the subtraction module 925 before 'be subtracted in this same module from the vector y' representative of the histogram of the quantized values of the noisy signal, in the same space.
  • the recursive summation module could comprise two banks of counters, a first bank being dedicated to the noise histogram (projected into the measurement space) and a second bank being dedicated to the noisy signal histogram (projected into this same space).
  • the noise measurements and those of the noisy signal can be interlaced so as to follow the evolution of the noise.
  • the difference y y'-y" representing the difference between the histogram of the quantized noisy values, in the measurement space, and that of the discretized values of the noise alone, in this same space, can be used as input variable to a previously trained artificial neural network, 930, to predict the target variable (scalar or vector).
  • the neural network may include a differential input formed of a first branch receiving the first input variable, y′, and a second branch receiving the second input variable, y′′.
  • Fig. 10 schematically represents the structure of a device for measuring compression of the statistical distribution of a physical quantity, according to a fourth embodiment of the invention.
  • This embodiment differs from the previous ones in that it comprises a plurality Q of histogram measurement chains operating in parallel, each chain comprising a projection module, 1010 and a recursive summation module, 1020.
  • these histogram measurement chains are respectively associated with Q SPAD sensors of a matrix of sensors.
  • the quantified values of the physical quantities from the various sensors are designated by
  • the vectors y (1) ,...,y (e) representing the respective histograms of the quantified values from the different sensors, projected into the same measurement space, can be supplied in concatenated form to a global neural network, previously trained to predict the target variable (scalar or multinomial).
  • the neural network may in this case be of the convolutional type to take into account interactions between neighboring pixels.
  • the neural network may be a deep network suitable for providing high-level prediction, such as online image recognition for example.
  • the different measurement chains can carry out different processing, in particular by providing different quantification steps and/or different 2''' / K compression factors, depending on the relevance of the sensor in the prediction of the target variable .
  • the fourth embodiment may be combined with the third embodiment to respectively subtract from the vectors y ,(1) ,...,y ,(e) the vectors y " (1) ,...,y " (e) representative of the noise histograms associated with the various sensors, in the measurement space.
  • the neural network will have been trained beforehand in a preliminary phase from histograms la bellified by values of the target variable (for example numerical values for regression and class identifiers for classification), in a manner known to those skilled in the art.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Complex Calculations (AREA)
  • Nuclear Medicine (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

La présente invention concerne une méthode et un dispositif de mesure de la distribution statistique d'une grandeur physique par un capteur. A chaque observation de la grandeur physique, le capteur fournit (310), sous la forme d'un vecteur binaire, une valeur quantifiée de cette grandeur. Ce vecteur binaire ensuite projeté (320) sur un espace de mesure de dimension plus faible que le nombre de niveaux de quantification pour donner un vecteur représentatif de la valeur quantifiée. Le vecteur de mesure de l'histogramme est mis à jour (330) à la volée en lui ajoutant le vecteur représentatif de la valeur quantifiée. Ce vecteur de mesure peut ensuite être utilisé comme variable d'entrée d'un réseau de neurones préalablement entraîné pour prédire une variable cible (350) dépendante de la distribution statistique de la grandeur physique.

Description

MÉTHODE DE MESURE COMPRESSIVE DE LA DISTRIBUTION STATISTIQUE D'UNE GRANDEUR PHYSIQUE
DESCRIPTION
DOMAINE TECHNIQUE
La présente invention concerne de manière générale le traitement de l'information sous forme compressée. Elle trouve notamment à s'appliquer dans les dispositifs de détection à photon unique ou SPAD (Single Photon Avalanche Diode), en particulier pour l'imagerie utilisant de tels capteurs.
ÉTAT DE LA TECHNIQUE ANTÉRIEURE
Les dispositifs de détection à photon unique (SPAD) sont utilisés dans un grand nombre de domaines, notamment dans le domaine de l'imagerie médicale, de l'imagerie par temps de vol, de l'imagerie LIDAR, de la tomographie par émission de positrons, etc.
Le principe sous-jacent de la plupart de ces systèmes d'imagerie consiste à mesurer un temps de vol (ToF) d'une impulsion électromagnétique émise par une source synchronisée avec le système d'acquisition. En particulier, un capteur SPAD permet de mesurer le temps de vol aller-retour d'une impulsion émise par une source lumineuse réfléchie par un objet à imager.
Bien que les capteurs SPAD aient récemment fait l'objet d'importantes améliorations en termes de consommation, de résolution temporelle ou de dynamique, les performances de ces capteurs se heurtent à plusieurs contraintes.
Tout d'abord, l'information de temps de vol, qui représente généralement l'information utile, est portée par la distribution statistique du temps d'arrivée des photons sur le capteur. Dans certains cas, le signal utile est noyé dans le bruit qui peut représenter jusqu'à 98% voire davantage du signal total. Il est donc nécessaire d'effectuer un grand nombre d'acquisitions successives de l'objet à imager pour obtenir un rapport signal sur bruit acceptable.
Ensuite, les capteurs SPAD doivent suivre l'évolution des systèmes d'imagerie et donc atteindre des grandes dynamiques (ou de manière équivalente pour une imagerie par temps de vol, de hautes résolutions en distance) et des résolutions spatiales élevées. Chaque acquisition d'un pixel de l'imageur suppose par conséquent de pouvoir stocker et traiter un nombre considérable de bits et, ce sur une surface la plus faible possible.
Enfin, les besoins en résolution spatiale des imageurs actuels conduisent à une augmentation corrélative du nombre de pixels et donc photosites.
En définitive, pour une matrice de l'ordre du mégapixel, avec une cadence trame de l'ordre de l'ordre de 10 Hz, un temps de vol codé sur 10 bits et un millier d'acquisitions par pixels, on atteint déjà 100 Gb/s en sortie de l'imageur.
Afin de réduire la quantité de données générées par pixel, différentes techniques de compression d'histogramme ont été proposées dans l'état de la technique.
Une première technique, dénommée « Partitioned Inter-frame Histogram » ou PlfH consiste à diviser la dynamique de la distribution de temps de vol en intervalles, les histogrammes relatifs à ces intervalles étant obtenus de manière séquentielle. Cette technique permet de réduire l'empreinte mémoire par pixel mais non de réduire la quantité de données générée par chaque pixel.
Une seconde technique, dénommée « Folded inter-frame Histogram » ou FifH procède par zoom. Une première analyse est effectuée avec une division grossière de la dynamique de temps de vol, puis une seconde analyse plus fine est effectuée autour du pic détecté dans la première analyse. La dynamique de temps de vol du second histogramme est généralement choisie égale à la largeur de l'intervalle élémentaire (bin) utilisé pour l'analyse grossière. Cette seconde technique présente l'avantage de réduire la fréquence d'acquisition du capteur. Toutefois, la quantité de données générée par pixel reste élevée, notamment lorsqu'un grand nombre d'acquisitions est nécessaire pour améliorer le rapport signal sur bruit.
L'acquisition d'un histogramme d'une grandeur physique peut être une étape préalable à l'estimation d'une variable cible dépendant de la distribution de cette grandeur. Par exemple, dans le cas évoqué plus haut, l'histogramme dans le temps des évènements détectés par le capteur SPAD permet d'estimer le temps d'arrivée ou le temps de propagation aller-retour d'une impulsion lumineuse après réflexion sur un objet.
L'histogramme peut être de type spatial au lieu d'être de type temporel. Ainsi, l'histogramme des photons, émis ou réfléchis par un objet, et reçus par une matrice de capteurs SPAD peut permettre de prédire une caractéristique de cet objet ou encore de classer cet objet parmi une pluralité de classes possibles.
Quel que soit le type d'histogramme, temporel et/ou spatial, la quantité de données à traiter peut être prohibitive, notamment lorsque la dynamique de la grandeur physique est élevée et/ou lorsqu'une haute résolution est requise. Dans certains cas, les données en question sont compressées et stockées en mémoire avant d'être restaurées pour effectuer un traitement différé (off-line). Toutefois, cette solution ne peut s'appliquer lorsque la prédiction doit être effectuée en temps-réel et par voie de conséquence l'histogramme être construit en ligne (on line) en raison de la difficulté à intégrer d'importantes ressources de calcul dans le circuit du capteur.
L'objet de la présente invention est de proposer un dispositif de mesure de la distribution statistique d'une grandeur physique qui permette une réduction significative de l'empreinte mémoire. Un objet subsidiaire de la présente invention est de proposer un dispositif de prédiction d'une variable cible dépendant de la distribution statistique de valeurs prises par une grandeur physique, qui puisse opérer en ligne, au fur et à mesure de l'acquisition de ces valeurs, sans mobiliser d'importantes ressources de calcul. La prédiction peut consister en une opération de classification ou une opération de régression.
EXPOSÉ DE L'INVENTION
La présente invention est définie par une méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 1. Des modes de réalisation avantageux sont précisés dans les revendications dépendantes 2-7. L'invention concerne également une méthode de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, dans laquelle l'on mesure ladite distribution statistique au moyen de cette méthode de mesure compressive.
L'invention concerne aussi un dispositif de mesure de la distribution statistique d'une grandeur physique tel que défini dans la revendication indépendante 8. Des modes de réalisation avantageux sont précisés dans les revendications dépendantes 9-15.
L'invention concerne encore un dispositif de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, comprenant un tel dispositif de mesure compressive de cette distribution statistique.
BRÈVE DESCRIPTION DES DESSINS
D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de modes de réalisation de l'invention, décrits en référence aux figures jointes.
La Fig. IA représente un exemple de passes d'acquisition successives d'une grandeur physique et l'histogramme en résultant ;
La Fig. IB représente un exemple de passes d'acquisition successives d'une grandeur physique dans un cas idéal et l'histogramme en résultant ;
La Fig. 2 représente de manière schématique un dispositif de construction d'un histogramme de valeurs discrètes d'une grandeur physique connu de l'état de la technique ;
La Fig. 3 représente de manière schématique l'ordinogramme d'une méthode de mesure compressive de la distribution statistique d'une grandeur physique, selon un mode de réalisation de l'invention ;
La Fig. 4 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un premier mode de réalisation de l'invention ;
La Fig. 5 détaille un premier exemple d'implémentation du module de codage dans le dispositif de la Fig. 4 ; La Fig. 6 détaille un second exemple d'implémentation du module de codage dans le dispositif de la Fig. 4 ;
La Fig. 7 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un deuxième mode de réalisation de l'invention ;
La Fig. 8 détaille un exemple d'implémentation du module de sommation récursive dans le dispositif de la Fig. 7 ;
La Fig. 9 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un troisième mode de réalisation de l'invention ;
La Fig. 10 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un quatrième mode de réalisation de l'invention.
EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS
Nous considérerons dans la suite une mesure de la distribution statistique d'une grandeur physique, la mesure de cette distribution étant représentée par un histogramme des valeurs prises par cette grandeur physique.
Les valeurs prises par cette grandeur physique correspondent par exemple à des observations d'un signal physique lors de l'occurrence d'évènements. A titre d'illustration et sans préjudice de généralisation, nous supposerons dans certains exemples de réalisation que cette grandeur physique est un temps d'arrivée d'un photon sur un capteur SPAD ou les coordonnées du point d'impact d'un photon sur une matrice de capteurs SPAD.
Cet histogramme peut permettre, dans certains cas, de prédire une variable cible dépendant de la distribution statistique en question.
Ainsi, dans le premier exemple précité, on pourra prédire, à partir de l'histogramme des temps d'arrivée des photons, le temps de propagation aller-retour d'une impulsion lumineuse se réfléchissant sur un objet, ce temps de propagation dépendant de la distribution temporelle des photons reçus par le capteur. Dans le second exemple précité, on pourra, par exemple, prédire la classe à laquelle appartient l'image d'un organe obtenue par un tomographe à émission de positons après injection de marqueurs radioactifs. Les positons émis par cet organe génèrent des photons lors de leur annihilation avec des électrons, ces photons étant détectés par une matrice de capteurs élémentaires SPAD. La classe à laquelle appartient l'image (ou l'organe lui-même) dépend de la distribution spatiale des photons reçus par la matrice de capteurs élémentaires.
La Fig. IA représente une pluralité de passes d'acquisition successives Pi, PZ,...,PM du temps d'arrivée (ou du temps de vol) de photons reçus par un capteur SPAD, lorsqu'une impulsion lumineuse est envoyée vers et réfléchie par un objet.
Les photons détectés lors des passes d'acquisition successives Pi sont désignés par les flèches 110, chaque photon détecté correspondant à une valeur de temps de vol (ToF). La plage de temps de vol est quantifiée (ou de manière équivalente discrétisée) en 26 -1 intervalles élémentaires (ou « bins ») allant de 0 à -1) T OÙ T est la durée d'un intervalle élémentaire.
Lorsqu'un photon tombe dans un intervalle élémentaire pendant une passe d'acquisition, le score de cet intervalle est incrémenté de 1.
Dans la partie inférieure de la figure on a représenté l'histogramme correspondant aux scores des différents intervalles au terme de M passes d'acquisition. Cet histogramme fournit une bonne approximation de la distribution statistique du temps de vol si le nombre M de passes est suffisamment élevé.
Dans l'exemple illustré, typique de la distribution statistique de temps de vol en sortie d'un capteur SPAD, la distribution statistique comporte une première composante due au bruit et une seconde composante due à un signal utile.
La Fig. IB représente une pluralité de passes d'acquisition successives Pi, PZ,...,PM du temps de vol de photons reçus par un capteur SPAD idéal, c'est à dire en absence de bruit. On remarque que les scores des différents intervalles élémentaires sont tous nuis (inférieurs à la valeur h0 correspondant au LSB), hormis pour celui correspondant au temps de propagation aller-retour de l'impulsion réfléchie par l'objet. A partir de l'histogramme des valeurs quantifiées des temps d'arrivée des photons (grandeur physique), on peut déterminer le temps de vol aller-retour ou la distance à l'objet (variable cible à prédire).
Cet histogramme peut être classiquement obtenu par incrémentation des scores de chacun des intervalles élémentaires comme représenté en Fig. 2.
A chaque évènement, c'est-à-dire à chaque détection d'un photon par le capteur SPAD, le score de l'intervalle élémentaire dans lequel se produit l'évènement est incrémenté de 1. Plus précisément, si la dynamique de la grandeur physique (le temps de vol) est quantifiée (discrétisée) sur b bits, autrement dit si cette dynamique est divisée en 2" intervalles élémentaires, on peut représenter l'évènement intervenant lors de la passe i par un vecteur binaire, d; de taille 2" , chaque élément correspondant à un intervalle élémentaire. Les éléments de d; sont tous nuis, à l'exception de celui, égal à 1, correspondant à l'intervalle dans lequel produit l'évènement, le cas échéant. Le vecteur binaire d; peut être considéré comme un mot de code en position de longueur 2" , la position du bit «1 » dans le mot en question donnant la valeur quantifiée de la grandeur physique.
L'histogramme de la grandeur physique peut être représenté par le vecteur h dans un espace de quantification de dimension 2" , soit : où N est le nombre d'évènement en compte dans l'histogramme. Les éléments de h sont des mots de log2 N bits.
Une première idée à la base de l'invention est de remarquer qu'un histogramme peut être représenté par un nombre réduit de paramètres (ou de variables latentes) et que dès lors on peut effectuer une mesure compressive de l'histogramme dans un espace de dimension réduite, dit espace de mesure au moyen d'une matrice d'acquisition compressive, . Si l'on suppose que la dimension de l'espace de mesure est K ^ 2b , la matrice d'acquisition compressive est de taille Kx2b dans les bases canoniques de l'espace de quantification et de l'espace de mesure :
Le vecteur de mesure peut alors s'exprimer sous la forme :
La matrice d'acquisition compressive peut être considérée comme une matrice de projection d'un espace de dimension 2b dans un espace de dimension K . Etant donné que chaque vecteur binaire d; ne contient qu'un seul élément non nul égal à 1, situé en position y(z) = x; , le résultat de la projection est simplement la somme des vecteurs colonnes V© de la matrice dans les différentes positions v(z) .
Les éléments de la matrice sont avantageusement issus d'un processus pseudo-aléatoire (déterministe) de sorte que les vecteurs-ligne de soient incohérents avec la base canonique de R .
Une seconde idée à la base de l'invention est de construire à la volée le vecteur de mesure y , au fur et à mesure de la survenance des évènements. En effet, le vecteur de mesure peut être construit de manière récursive à chaque nouvel évènement fournissant un vecteur binaire d; :
Le vecteur de mesure, y, peut ensuite être utilisé comme variable d'entrée d'un réseau de neurones préalablement entraîné, pour prédire une variable cible. La prédiction peut être une régression ou une classification. Si l'on note z cette variable cible (ici un scalaire), celle-ci peut alors être prédite au moyen de :
N où y = ’ . x,) représente le vecteur de mesure, F (.) est la fonction représentative du i=l réseau de neurones et est la valeur prédite de la variable cible. Selon une variante, cette variable cible peut être multinomiale (représentée par un vecteur z ), elle peut être prédite de manière similaire par un réseau de neurones, z = F(y) . Sans préjudice de généralité, nous nous limiterons par la suite à une variable cible scalaire.
Dans certains cas, il pourra être pertinent de pondérer les différents vecteurs en fonction de la probabilité d'occurrence de la valeur de la grandeur physique. Ainsi, dans ce cas, si l'on note ve par :
La prédiction de la variable cible sera alors obtenue par :
Par exemple, si la probabilité d'occurrence d'une valeur de la grandeur physique est d'autant plus faible que cette valeur est élevée, les poids pourront être obtenus d'une fonction croissante de x; = v(z) , de manière à privilégier les mesures à faible probabilité d'occurrence. Cette fonction croissante pourra être choisie linéaire : où a, b sont des entiers positifs.
La Fig. 3 représente de manière schématique l'ordinogramme d'une méthode de mesure compressive de la distribution statistique d'une grandeur physique, selon un mode général de réalisation de l'invention.
Cette méthode de mesure est itérative, chaque itération comprenant :
- une première étape, 310, dans laquelle on observe, à chaque évènement, une nouvelle valeur quantifiée de la grandeur physique (réelle). Cette valeur quantifiée résulte d'une quantification de la grandeur physique au moyen d'un pavage en pavés élémentaires du premier espace, par exemple un pavage d'une plage temporelle en intervalles élémentaire ou un pavage spatial d'un capteur en capteurs élémentaires. La valeur quantifiée de la grandeur physique peut être représentée comme un vecteur binaire de taille 2b où 2b est le cardinal de l'ensemble de quantification, c'est-à-dire le nombre de valeurs quantifiées possibles de ladite grandeur physique (par exemple nombre de pavés ou de pas de quantification dans la plage de variation de la grandeur physique). Ce vecteur possède un seul élément non nul, égal à 1, à la position représentant la valeur quantifiée.
- une deuxième étape, 320, dans laquelle on génère à partir de la valeur quantifiée un vecteur représentatif de cette valeur dans un espace de mesure de dimension K , ledit vecteur représentatif étant obtenu à partir de la valeur quantifiée au moyen d'une fonction injective de l'ensemble des valeurs quantifiées vers l'espace de mesure. La dimension K est telle que b < K < 2b .
Ce vecteur représentatif peut être obtenu par projection du vecteur binaire de la grandeur physique quantifiée sur un sous-espace de R/V de dimension K engendré par les vecteurs-ligne de la matrice .
Comme indiqué plus haut, la projection du vecteur binaire d; sur ce sous-espace n'est autre que le vecteur-colonne • Les éléments du vecteur-colonne peuvent être générés au moyen d'opérations de permutation, réplication, concaténation de sous-ensembles de bits de v{ (représentation binaire de la position v(ï) ) ainsi que par des opérations de logique combinatoire portant sur les bits issus de ces opérations.
Les éléments binaires du vecteur colonne peuvent être associés à des valeurs binaires signées, une première valeur binaire signée (par exemple la valeur binaire signée +1) étant associé au bit « 1 » et une seconde valeur binaire signée (par exemple la valeur binaire signée -1), opposée à la première, étant associé au bit « 0 ».
- une troisième étape, 330, dans laquelle on met à jour, à la volée, le vecteur de mesure au moyen dudit vecteur représentatif, à savoir la projection du vecteur binaire dans l'espace de mesure. Cette mise à jour est effectuée, élément par élément du vecteur de mesure, en incrémentant cet élément si l'élément correspondant du vecteur représentatif est égal à « 1 », et en le décrémentant si l'élément correspondant du vecteur représentatif est égal à « 0 ».
Différentes variantes peuvent être envisagées, au terme d'un nombre prédéterminé d'itérations, M :
Tout d'abord, il est possible, à partir du vecteur de mesure y de reconstruire l'histogramme dans l'espace de quantification au moyen d'un algorithme de régularisation sous contraintes. Par exemple on pourra reconstruire l'histogramme au moyen de la matrice pseudo-inverse
Selon une application avantageuse, on peut prédire une variable cible (scalaire ou multimodale), dépendant de la distribution statistique de la grandeur physique, au moyen d'un réseau de neurones préalablement entraîné. Le réseau de neurones utilise comme variable d'entrée le vecteur de mesure y, de dimension sensiblement plus faible que la dimension de l'espace de quantification.
Cette variante a été représentée de manière optionnelle sur la Fig. 3. Lorsque le nombre prédéterminé d'itérations est atteint, ou plus généralement, lorsqu'un critère d'arrêt est satisfait à l'étape 340, on peut prédire la variable cible, en 350, à l'aide d'un réseau de neurones préalablement entraîné, à partir du vecteur de mesure y de l'histogramme.
La Fig. 4 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un premier mode de réalisation de l'invention.
Le dispositif reçoit en entrée, à chaque nouvel évènement ou observation, un vecteur binaire, d; , de taille 2" , représentant la valeur quantifiée de la grandeur physique, par exemple le temps d'arrivée d'un photon. Ce vecteur binaire peut être considéré comme un mot de code en position indiquant la valeur quantifiée de la grandeur physique dans l'espace de quantification.
Le vecteur binaire d; est fourni à un module de projection 410 qui le projette sur l'espace de mesure, de dimension K et plus précisément sur les vecteurs-ligne de la matrice .
Le résultat de la projection est un vecteur Vv(,) de taille K . Les éléments de i|/v(.) sont des éléments binaires (associées à des valeurs binaires signées +1 ou -1).
Le module 420 effectue de manière récursive une sommation dans le second espace. Chaque élément de est ajouté à l'élément correspondant de y selon l'expression (3).
Le vecteur en sortie du module de sommation est un vecteur de mesure y de taille K dont les éléments sont des mots binaires signés de taille log2 ( N) . Ce vecteur est représentatif de la projection de l'histogramme dans le second espace.
Comme indiqué précédemment, le vecteur de mesure y peut servir de variable d'entrée à réseau de neurones artificiels, 430.
Le réseau de neurones, 430, effectue alors une prédiction de la variable cible z à partir de la variable d'entrée y. Cette prédiction, z, peut être une valeur scalaire (par exemple un temps d'arrivée d'une impulsion lumineuse dans l'exemple précédent) ou bien une classe (classe d'objet dont on observe le spectre discrétisé) voire vectorielle (valeur cible multimodale). La Fig. 5 détaille un premier exemple d'implémentation du module de projection dans le dispositif de la Fig. 4.
Dans cet exemple d'implémentation, on a pris b = 8 .
Le module de projection 510 comprend optionnellement un transcodeur pour coder le vecteur binaire d; en un mot binaire (pondéré), 511, xi codant sur b bits la valeur quantifiée de la grandeur physique. Ce transcodeur n'est pas présent si le capteur fournit directement en sortie le mot binaire en question.
Le mot binaire xt est fourni à un circuit de randomisation. Ce circuit comporte une première couche, 513, dans laquelle on effectue des opérations de duplication et de brassage de bits au moyen d'opérations de permutation, séparation, concaténation. Dans l'exemple illustré la première couche transforme le mot binaire =Z?1Z?2...Z?8 de 8 bits (où br est le MSB) en un premier mot binaire randomisé de 17 bits . Une seconde couche, 515, effectue des opérations de logique combinatoire sur le premier mot binaire randomisé, ici des opérations de OU exclusif entre bits consécutifs de ce mot binaire. La seconde couche fournit un second mot binaire randomisé dont les bits contrôlent respectivement l'incrémentation (valeur de bit égale à 1) et la décrémentation (valeur de bit égale à 0) de 16 compteurs d'un circuit de comptage 520. Le circuit de comptage réalise la sommation récursive selon l'expression (3).
Le résultat en sortie du circuit de comptage est le vecteur y de taille K = 16 représentant l'histogramme projeté dans l'espace de mesure. L'histogramme est ici compressé d'un facteur 16 ( 2b / K ).
La Fig. 6 détaille un second exemple d'implémentation du module de projection dans le dispositif de la Fig. 4.
Dans cet exemple d'implémentation, on a pris £> = 10 . Comme dans le premier exemple, le module de projection, 610, comprend un transcodeur optionnel, 611, convertissant le vecteur binaire d; en un mot binaire pondéré, xt ainsi qu'un circuit de randomisation. Le circuit de randomisation comprend une première couche, 613, de duplication et de brassage de bits transformant le mot binaire de 10 bits ; = b}b2..bw en un premier mot binaire randomisé de 21 bits • Une seconde couche, 615, effectue des opérations de logique combinatoire sur les bits du premier mot binaire randomisé pour fournir un second mot binaire randomisé de 20 bits dont les bits contrôlent respectivement l'incrémentation (valeur de bit égale à 1) et la décrémentation (valeur de bit égale à 0) de 16 compteurs du circuit de comptage 620. Dans cet exemple, la seconde couche du circuit de randomisation comprend une première sous-couche constituée de portes OU et une seconde sous-couche constituée de portes ET.
Le résultat en sortie du circuit de comptage est un vecteur y de taille K = 20. L'histogramme est ici compressé d'un facteur 51 ( 2b / K).
L'homme du métier sera à même de concevoir d'autres modules de projection en utilisant différents exemples de circuits de randomisation sans pour autant sortir du cadre de la présente invention.
La Fig. 7 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un deuxième mode de réalisation de l'invention.
Ce mode de réalisation comporte un module de projection, 710, un module de sommation récursive, 720, comme dans le premier mode de réalisation. Toutefois, à la différence du premier mode de réalisation, le module de sommation récursive, 720 pondère chaque composante du vecteur en sortie du module de projection avec un poids avant de le sommer au vecteur courant y. Les poids . peuvent être choisis de manière à privilégier les contributions des mesures ayant une faible probabilité d'occurrence dans l'histogramme.
Le vecteur de mesure y peut servir de variable d'entrée au réseau de neurones 730 pour la prédiction de la variable cible, scalaire ou vectorielle (multinomiale) comme précédemment. La Fig. 8 détaille un exemple d'implémentation du module de sommation récursive dans le dispositif de la Fig. 7.
Le module de projection, 810 représenté en Fig. 8 est ici identique à celui de la Fig. 5. En revanche, le module de sommation récursive est implémenté par un circuit de comptage 820 comprenant 16 compteurs, chaque compteur étant décrémenté (resp. incrémenté) d'une valeur . (entier positif) lorsque le bit correspondant en sortie du module de projection est égal à 0 (respectivement à 1).
Le vecteur de mesure y peut servir comme précédemment de variable d'entrée au réseau de neurones 830 pour la prédiction de la variable cible, scalaire ou vectorielle.
La Fig. 9 représente de manière schématique la structure d'un dispositif de mesure compressive de la distribution statistique d'une grandeur physique, selon un troisième mode de réalisation de l'invention.
Ce mode de réalisation diffère des modes de réalisation précédents en ce qu'il comporte en sortie un module de soustraction de bruit, 925, permettant de soustraire d'un vecteur, y' , représentant un histogramme des valeurs quantifiées du signal bruité, dans l'espace de mesure, un vecteur y", de même dimension représentant un histogramme des valeurs quantifiées du bruit seul, dans ce même espace.
Ce mode de réalisation suppose que l'on puisse faire une mesure de bruit en dehors du signal utile, par exemple en coupant la source de signal ou bien au moyen d'une détection synchrone avec un signal pulsé.
Dans tous les cas, on effectue à l'aide du même dispositif, mais de manière multiplexée dans le temps, une projection dans le même espace de mesure (autrement dit sur les vecteurs-ligne de ) respectivement du signal et du bruit, grâce au module de projection, 910, et du module de sommation récursive, 920. Le vecteur y" représentatif de l'histogramme des valeurs quantifiées du bruit seul, dans l'espace de mesure, pourra être stocké localement dans le module de soustraction 925 avant d'être soustrait dans ce même module au vecteur y ' représentatif de l'histogramme des valeurs quantifiées du signal bruité, dans le même espace. Alternativement, le module de sommation récursive pourra comprendre deux batteries de compteurs, une première batterie étant dédiée à l'histogramme de bruit (projeté dans l'espace de mesure) et une seconde batterie étant dédiée à l'histogramme du signal bruité (projeté dans ce même espace). Les mesures de bruit et de celles du signal bruité pourront être entrelacées de manière à suivre l'évolution du bruit.
Dans tous les cas, la différence y = y'-y" représentant la différence entre l'histogramme des valeurs bruitées quantifiées, dans l'espace de mesure, et celui des valeurs discrétisées du bruit seul, dans ce même espace, peut servir de variable d'entrée à un réseau de neurones artificiels, 930, préalablement entraîné, pour prédire la variable cible (scalaire ou vectorielle).
Alternativement, le réseau de neurones pourra comporter une entrée différentielle formée d'une première branche recevant la première variable d'entrée, y ', et d'une seconde branche recevant la seconde variable d'entrée, y " .
La Fig. 10 représente de manière schématique la structure d'un dispositif de mesure compression de la distribution statistique d'une grandeur physique, selon un quatrième mode de réalisation de l'invention.
Ce mode de réalisation diffère des précédents en ce qu'il comprend une pluralité Q de chaînes de mesure d'histogrammes opérant en parallèle, chaque chaîne comprenant un module de projection, 1010 et un module de sommation récursive, 1020.
Par exemple, ces chaînes de mesure d'histogrammes sont respectivement associées à Q capteurs SPAD d'une matrice de capteurs.
Les valeurs quantifiées des grandeurs physiques issues des différents capteurs sont désignées par
Les vecteurs y(1),...,y(e) représentant les histogrammes respectifs des valeurs quantifiées issues des différents capteurs, projetées dans le même espace de mesure, peuvent être fournis sous forme concaténée à un réseau de neurones global, préalablement entraîné pour prédire la variable cible (scalaire ou multinomiale).
Par exemple, le réseau de neurones pourra être dans ce cas être de type convolutif pour prendre en compte des interactions entre pixels voisins. Le réseau de neurones pourra être un réseau profond adapté à fournir une prédiction de haut niveau, telle qu'une reconnaissance d'image en ligne par exemple.
Le cas échéant, les différentes chaînes de mesure pourront effectuer des traitements différents, en prévoyant notamment des pas de quantification différents et/ou des facteurs de compression 2''' / K différents, selon la pertinence du capteur dans la prédiction de la variable cible.
En outre, le quatrième mode de réalisation pourra être combiné avec le troisième mode de réalisation pour soustraire respectivement aux vecteurs y ,(1),...,y,(e) les vecteurs y "(1),...,y "(e) représentatifs des histogrammes de bruit associés aux différents capteurs, dans l'espace de mesure. Selon une variante, une des chaînes d'acquisition et par conséquent l'un des capteurs pourra être spécialisé dans l'acquisition de l'histogramme de bruit, supposé alors pertinent pour l'ensemble des autres capteurs et le vecteur y"w ainsi obtenu pourra être soustrait aux vecteurs y ,(?) , q = l,..,Q , q £ , en entrée du réseau de neurones.
Dans tous les modes de réalisation du dispositif de prédiction d'une variable cible (scalaire ou multinomiale), le réseau de neurones aura été préalablement entraîné dans une phase préalable à partir d'histogrammes la bellisés par des valeurs de la variable cible (par exemple des valeurs numériques pour une régression et des identifiants de classes pour une classification), de manière connue par l'homme du métier.

Claims

REVENDICATIONS
1. Méthode de mesure compressive de la distribution statistique d'une grandeur physique, pour fournir un vecteur de mesure de cette distribution, caractérisée en ce qu'elle comprend une boucle itérative dans laquelle :
(a) on observe (310) une valeur quantifiée de ladite grandeur physique fournie par le capteur, ladite valeur quantifiée étant représentée par un vecteur binaire de taille 2b dont un seul élément est non nul et égal à un, la position de cet élément représentant ladite valeur quantifiée dans un ensemble de quantification de cardinal 2b ;
(b) on génère (320), à partir ladite valeur quantifiée, un vecteur représentatif de la cette valeur quantifiée dans un espace de mesure de dimension K, avec b < K < 2b , au moyen d'une fonction injective allant de l'ensemble des valeurs quantifiées vers l'espace de mesure;
(c) on met à jour (330), à la volée, le vecteur de mesure à partir du vecteur représentatif de la valeur quantifiée obtenu à l'étape précédente, un élément du vecteur de mesure étant incrémenté si l'élément correspondant du vecteur représentatif prend une première valeur binaire et décrémenté si l'élément correspondant du vecteur représentatif prend une seconde valeur binaire, inverse de la première.
2. Méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 1, caractérisée en ce que le vecteur représentatif de la valeur quantifiée est obtenu en projetant ledit vecteur binaire sur une pluralité K de vecteurs, les éléments de chacun de ces vecteurs étant des valeurs binaires issues d'une séquence pseudo-aléatoire.
3. Méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 1, caractérisée en ce que la fonction injective comprend une conversion (511,611) du vecteur binaire de taille 26 en un mot binaire pondéré de taille b codant la position de l'élément non nul dans ledit vecteur binaire, une étape de randomisation des bits du mot binaire pondéré pour fournir un premier mot binaire randomisé, suivie d'une étape de logique combinatoire sur les bits de ce premier mot binaire randomisé pour obtenir un second mot binaire randomisé de taille K , chaque bit du second mot binaire randomisé incrémentant ou décrémentant chacun un compteur d'un incrément selon qu'il est égal à ladite première valeur binaire ou à ladite seconde valeur binaire.
4. Méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 3, caractérisée en ce que le premier mot binaire randomisé est obtenu par duplication et brassage des bits du mot binaire pondéré.
5. Méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 3 ou 4, caractérisée en ce que l'incrément est indépendant de la valeur quantifiée de la grandeur physique.
6. Méthode de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 3 ou 4, caractérisée en ce que l'incrément est fonction de la valeur quantifiée de la grandeur physique, l'incrément étant choisi d'autant plus grand en valeur absolue que la probabilité d'occurrence de la valeur quantifiée de la grandeur physique est faible.
7. Méthode de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, caractérisée en ce que l'on mesure ladite distribution statistique au moyen de la méthode de mesure compressive selon l'une des revendications précédentes et que l'on prédit, au moyen d'un réseau de neurones artificiels préalablement entraîné, la variable cible à partir dudit vecteur de mesure.
8. Dispositif de mesure de la distribution statistique d'une grandeur physique, pour fournir un vecteur de mesure de cette distribution, caractérisé en ce qu'il comprend :
(a) un capteur pour fournir une valeur quantifiée de la grandeur physique, ladite valeur quantifiée étant représentée par un vecteur binaire de taille 2b dont un seul élément est non nul et égal à un, la position de cet élément représentant ladite valeur quantifiée dans un ensemble de valeurs quantifiées de cardinal 2b ;
(b) un module de projection (410) pour obtenir un vecteur représentatif de la valeur quantifiée en projetant ledit vecteur binaire sur une pluralité K de vecteurs sous- tendant un espace de mesure de dimension K , avec b < K < 2b ;
(c) un module de sommation récursive (420) pour mettre à jour à la volée le vecteur de mesure à partir du vecteur représentatif de la valeur quantifiée obtenu à l'étape précédente, un élément du vecteur de mesure étant incrémenté si l'élément correspondant du vecteur représentatif prend une première valeur binaire et décrémenté si l'élément correspondant du vecteur représentatif prend une seconde valeur binaire, inverse de la première.
9. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 8, caractérisé en ce que le vecteur représentatif de la valeur quantifiée est obtenu en projetant ledit vecteur binaire sur une pluralité K de vecteurs, les éléments de chacun de ces vecteurs étant des valeurs binaires issues d'une séquence pseudo-aléatoire.
10. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 8 ou 9, caractérisé en ce que le module de projection (510,610) comprend un codeur (511,611) pour convertir le vecteur binaire de taille 2b en un mot binaire pondéré, de taille b.
11. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 10, caractérisé en ce que le module de projection comprend un circuit de randomisation (513,515; 613,615) comportant une première couche (513,613) adaptée à dupliquer et brasser les bits du mot binaire pondéré pour fournir un premier mot binaire randomisé, et une seconde couche (515, 615) adaptée à effectuer des opérations de logique combinatoire sur les bits de ce 21 premier mot binaire randomisé pour fournir, comme vecteur représentatif de la valeur quantifiée, un second mot binaire randomisé de taille K .
12. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 10 ou 11, caractérisé en ce que le module de sommation récursive (520,620) comprend une batterie de K compteurs, chaque compteur recevant un bit du second mot binaire randomisé, ledit bit incrémentant ou décrémentant ledit compteur d'un incrément selon qu'il est égal à la première valeur binaire ou à la seconde valeur binaire.
13. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 12, caractérisé en ce que l'incrément est indépendant de la valeur discrète de la grandeur physique.
14. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon la revendication 12, caractérisé en ce que l'incrément est fonction de la valeur discrète de la grandeur physique, l'incrément étant d'autant plus grand en valeur absolue que la probabilité d'occurrence de la valeur quantifiée de la grandeur physique est faible.
15. Dispositif de mesure compressive de la distribution statistique d'une grandeur physique selon l'une des revendication 8 à 14, caractérisé en ce qu'il comprend un module de soustraction (925) en sortie du module de sommation récursive pour stocker un premier vecteur de mesure (y") obtenu en absence de signal sur le capteur et pour le soustraire à un second vecteur de mesure ( y 1) obtenu en présence de signal sur le capteur.
16. Dispositif de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, caractérisé en ce qu'il comprend un dispositif de mesure compressive de cette distribution statistique selon l'une des revendications 8 à 14 ainsi qu'un réseau de neurones artificiels préalablement entraîné (430) recevant comme 22 variable d'entrée le vecteur de mesure (y) et fournissant en sortie une prédiction (z, z ) de la variable cible.
17. Dispositif de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, caractérisé en ce qu'il comprend une pluralité ( g ) de dispositifs de mesure compressive de cette grandeur physique selon l'une des revendications 8 à 14, chaque dispositif de mesure compressive étant associé à un capteur élémentaire distinct, chaque dispositif de mesure compressive comprenant un module de projection (1010) et un module de sommation récursive (1020), le dispositif de prédiction comprenant en outre un réseau de neurones artificiels préalablement entraîné (1030) recevant comme variable d'entrée les vecteurs de mesure respectivement fournis par les dispositifs de mesure compressive, et fournissant en sortie une prédiction (z,z ) de la variable cible.
18. Dispositif de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique, caractérisé en ce qu'il comprend un dispositif de mesure compressive de cette distribution statistique selon la revendication 15, ainsi qu'un réseau de neurones artificiels préalablement entraîné (930), recevant comme variable d'entrée la différence entre le premier vecteur de mesure et le second vecteur de mesure et fournissant en sortie une prédiction (z, z ) de la variable cible.
19. Dispositif de prédiction d'une variable cible dépendant de la distribution statistique d'une grandeur physique selon l'une des revendications 16 à 18, caractérisé en ce que la prédiction de la variable cible est une opération de régression ou une opération de classification.
EP21851666.4A 2020-12-11 2021-12-10 Méthode de mesure compressive de la distribution statistique d'une grandeur physique Pending EP4260466A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2013100A FR3117587B1 (fr) 2020-12-11 2020-12-11 Méthode de mesure compressive de la distribution statistique d’une grandeur physique
PCT/FR2021/052284 WO2022123189A1 (fr) 2020-12-11 2021-12-10 Méthode de mesure compressive de la distribution statistique d'une grandeur physique

Publications (1)

Publication Number Publication Date
EP4260466A1 true EP4260466A1 (fr) 2023-10-18

Family

ID=75108462

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21851666.4A Pending EP4260466A1 (fr) 2020-12-11 2021-12-10 Méthode de mesure compressive de la distribution statistique d'une grandeur physique

Country Status (5)

Country Link
US (1) US20240035908A1 (fr)
EP (1) EP4260466A1 (fr)
JP (1) JP2024504246A (fr)
FR (1) FR3117587B1 (fr)
WO (1) WO2022123189A1 (fr)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018106805A1 (fr) * 2016-12-09 2018-06-14 William Marsh Rice University Récupération de signal par l'intermédiaire de réseaux à convolution profonde
EP3451023A1 (fr) * 2017-09-01 2019-03-06 Koninklijke Philips N.V. Caméra à profondeur de durée de vol avec une imagerie de pixels de faible résolution
DE102017216065A1 (de) * 2017-09-12 2019-03-14 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bewerten von Bildern, Betriebsassistenzverfahren und Betriebsvorrichtung
US11835659B2 (en) * 2019-02-15 2023-12-05 Sony Semiconductor Solutions Corporation Time-of-flight apparatus and method
CN114467038B (zh) * 2019-10-10 2025-12-09 奥斯特公司 处理lidar准确度的时间序列测量
EP4016124B1 (fr) * 2020-12-16 2025-06-04 Nxp B.V. Calcul de temps de vol avec estimation delta inter-bin

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EMMANUEL CAND�S ET AL: "Stable signal recovery from incomplete and inaccurate measurements", INTERNET CITATION, 1 February 2005 (2005-02-01), XP002499280, Retrieved from the Internet <URL:http://users.ece.gatech.edu/ justin/Publications_files/StableRecovery.pdf> [retrieved on 20060801] *
GUTIERREZ-BARRAGAN FELIPE ET AL: "Compressive Single-Photon 3D Cameras", 2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE, 18 June 2022 (2022-06-18), pages 17833 - 17843, XP034193326, [retrieved on 20220927], DOI: 10.1109/CVPR52688.2022.01733 *
See also references of WO2022123189A1 *

Also Published As

Publication number Publication date
JP2024504246A (ja) 2024-01-31
FR3117587A1 (fr) 2022-06-17
US20240035908A1 (en) 2024-02-01
FR3117587B1 (fr) 2022-12-23
WO2022123189A1 (fr) 2022-06-16

Similar Documents

Publication Publication Date Title
FR2899357A1 (fr) Traitement de donnees biometriques dans un referentiel multi dimensionnel.
EP2093996A1 (fr) Capteur de vision pour la mésure d&#39;invariants tels les contrastes et méthode pour effecture une telle mésure
US20250035750A1 (en) Systems, methods, and media for single photon depth imaging with improved efficiency using learned compressive representations
US8472735B2 (en) Attitude estimation with compressive sampling of starfield data
EP2289171B1 (fr) Procède de traitement de donnees numeriques
EP4630970A1 (fr) Procédé et dispositif de codage et décodage d&#39;images
US8472737B2 (en) Attitude estimation in compressed domain
EP4260466A1 (fr) Méthode de mesure compressive de la distribution statistique d&#39;une grandeur physique
Rizzo et al. High performance compression of hyperspectral imagery with reduced search complexity in the compressed domain
Aßmann et al. Parallel block compressive LiDAR imaging
EP1496705A2 (fr) Compression contextuelle d&#39;images numérique
EP3979648A1 (fr) Dispositif de compensation du mouvement d&#39;un capteur événementiel et système d&#39;observation et procédé associés
WO2022153016A1 (fr) Méthode de mesure paramétrique en ligne de la distribution statistique d&#39;un signal physique
FR2474722A1 (fr) Dispositif de determination numerique de correlation d&#39;images
BE1021546B1 (fr) Procede et systeme pour le stockage de donnees de forme d&#39;onde.
Poolad et al. Memory Conscious Machine Learning Method to Extract Time-of-Flight Data From Flash LiDARs
Poisson et al. Histogram compressive sensing using shuffled cellular automata: the tcspc sensor use case
FR3061786A1 (fr) Traitement a la volee de donnees dans un systeme d&#39;acquisition
EP4186227B1 (fr) Capteur pour mesure de distance par temps de vol avec pixel à noeuds memoires multiples
Wallace Parallel Block Compressive LiDAR Imaging
EP0762658B1 (fr) Procédé de codage de données numériques représentées par des vecteurs et procédé de décodage des données codées selon ledit procédé de codage
WO2010004098A1 (fr) Estimation de la réponse impulsionnelle d&#39;un système à partir d&#39;observations binaires
FR3131041A1 (fr) Procede de mise au point d un dispositif de prediction, procede et systeme associes.
FR3042292A1 (fr) Procede d&#39;optimisation de decomposition d&#39;un signal asynchrone
WO2024260628A1 (fr) Procédé et dispositif de codage et décodage de séquences d&#39;images

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230711

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: COMMISSARIAT A L'ENERGIE ATOMIQUE ET AUX ENERGIESALTERNATIVES

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20250926