基于块变换利用延迟求和流水线近似最小方差波束形成图像
信号处理
2021-10-22 v1 机器学习
摘要
近年来，已有若干努力致力于加速计算繁重的波束形成算法，如最小方差无失真响应（MVDR）波束形成，以实现可与流行的延迟求和（DAS）波束形成相媲美的实时性能。这已通过使用多种神经网络架构实现，范围从全连接神经网络（FCNNs）、卷积神经网络（CNNs）到生成对抗网络（GANs）。然而，这些方法大多考虑图像级损失的优化，因此需要大量数据集以确保学习到波束形成过程。在这项工作中，提出了一种基于块级别的 U-Net 神经网络，其中空间中固定区域（例如 32x32）的延迟补偿射频（RF）块通过 U-Net 架构进行变换，并与 DAS 变迹权重相乘，针对与块的 MVDR 图像的相似性进行优化。所提方法未将波束形成问题构建为估计变迹权重的回归问题，而是将 RF 数据空间的非线性变换视为可由 MVDR 方法在网络参数中完成的数据驱动权重自适应。通过这种方式，还观察到通过将输入限制为一个块，模型将把波束形成流水线学习为一个图像非线性变换问题。
引用
@article{arxiv.2110.10220,
title = {Patch Based Transformation for Minimum Variance Beamformer Image Approximation Using Delay and Sum Pipeline},
author = {Sairoop Bodepudi and A N Madhavanunni and Mahesh Raveendranatha Panicker},
journal= {arXiv preprint arXiv:2110.10220},
year = {2021}
}
备注
6 pages, 3 figures