基于深度学习技术的集成图像重建与目标识别
信号处理
2025-05-09 v1 计算机视觉与模式识别
摘要
计算微波成像（CMI）因其克服了硬件密集型物理层、慢速数据采集获取速度等传统微波成像技术的局限性而受到关注。尽管存在这些优势，CMI仍在图像重建阶段面临显著的计算瓶颈。为此，我们的前期工作引入了ClassiGAN，这是一种生成式深度学习模型，旨在仅使用后向散射信号即可同时重建图像和分类目标。在本研究中，我们在该框架基础上引入了注意力门模块。这些模块旨在细化特征提取并提高识别相关信息的能力。通过动态聚焦重要特征并抑制无关特征，注意力机制显著提升了整体模型性能。该方法称为Att-ClassiGAN，显著降低了相对于传统CMI方法的重建时间。此外，它在改进的归一化均方误差（NMSE）、更高的结构相似性指数（SSIM）以及更好的重建目标分类方面均优于当前先进方法。
引用
@article{arxiv.2505.04836,
title = {Integrated Image Reconstruction and Target Recognition based on Deep Learning Technique},
author = {Cien Zhang and Jiaming Zhang and Jiajun He and Okan Yurduseven},
journal= {arXiv preprint arXiv:2505.04836},
year = {2025}
}
备注
Submitted to The 2025 15th IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC 2025)