物理引导的损失函数提升逆散射中深度学习性能
机器学习
2021-11-18 v1
摘要
由于固有的非线性、不适定性与高昂计算成本，求解电磁逆散射问题（ISPs）具有挑战性。近来，深度神经网络（DNN）技术已成功应用于 ISPs，并展现出优于传统方法的成像潜力。本文中，我们分析 DNN 求解器与传统迭代算法之间的类比，并讨论重要的物理现象为何无法在训练过程中被有效纳入。我们展示了在 DNN 学习过程中引入近场先验的重要性。为此，我们提出融入基于多次散射的近场量（如散射场或感兴趣域内的感应电流）的损失函数新设计。通过多种数值实验研究了物理引导损失函数的效果。总结了具有不同损失函数的所研究 ISP 求解器的优缺点。
引用
@article{arxiv.2111.09109,
title = {Physics-guided Loss Functions Improve Deep Learning Performance in Inverse Scattering},
author = {Zicheng Liu and Mayank Roy and Dilip K. Prasad and Krishna Agarwal},
journal= {arXiv preprint arXiv:2111.09109},
year = {2021}
}