基于深度展开模型的毫米波稀疏成像算法

针对传统压缩感知算法的高计算成本问题,从稀疏信号的恢复角度出发,提出一种基于深度展开模型的稀疏成像算法。首先构建复数稀疏重建网络VAMP-Net,在该网络中,复数形式的降采样回波信号被拆分成实部和虚部作为输入,接着代入到基于VAMP算法的迭代块中,最后通过卷积神经模块进行最优非线性稀疏变换,得到恢复的实部和虚部信号,两者进行合并后得到恢复的目标图像。对于所提算法,采用人工合成的数据集在不同目标密集程度、迭代次数和噪声环境下进行仿真实验,并与传统的迭代收缩阈值算法和深度学习重构算法进行比较。再使用不同程度稀疏性的数据进行实测验证。实验结果表明,该算法重构的图像在NMSE、TBR、重构耗时以及内存使用上有更好的表现。

压缩感知重构算法的两步深度展开策略研究

针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性,可以随着数据的特性自我学习和调整,所提TwDU策略应用于可学习迭代软阈值算法(learned iterative soft thresholding algorithm,LISTA)、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm,TISTA)、可学习近似消息传递算法(learned approximate message passing,LAMP)等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证,TwDU策略在重构精度和收敛速度上都更具有明显优势。

基于深度展开和双流网络的高光谱图像融合

针对基于深度学习的高光谱图像融合算法通常堆积多个卷积以学习映射关系、没有充分利用问题的特性以及缺乏可解释性等问题,提出一种结合深度展开与双流网络的深度网络。首先使用卷积稀疏编码建立融合模型,该模型将低分辨率高光谱图像(Low-resolution hyperspectral images,LR-HSI)和高分辨率多光谱图像(high-resolution multispectral images,HR-MSI)映射到低维子空间中。在融合模型设计中,考虑了LR-HSI和HR-MSI的共有信息以及LR-HSI的独有信息,并将HR-MSI作为辅助信息加入模型中。其次将该融合模型展开为可学习的可解释深度网络。最后,使用双流网络获取更精确的高分辨率高光谱图像(High-resolution hyperspectral images,HR-HSI)。实验表明,该网络在高光谱图像融合中可以获得出色的效果。

基于深度展开神经网络的融合感知通信场景信道估计

为了提高毫米波大规模MIMO系统中信道估计的准确性,将雷达感知与通信系统融合,提出一种基于深度展开神经网络的雷达辅助通信信道估计方法。该方法首先利用雷达的回波信号获取目标的角度,并将角度信息传输给通信模块。在通信模块中,将信道估计问题转化为稀疏信号恢复问题。利用感知获得的角度信息作为先验信息,设计了一种新的软阈值收缩函数,并提出了一种先验信息辅助的深度展开信道估计神经网络。仿真结果表明,提出的信道估计方法相较于现有的压缩感知类方法和深度学习类方法具有更低的信道估计误差。

超分辨光学图像深度展开网络

提出了一种用于光学图像超分辨的深度展开网络。该网络将传统优化算法和深度学习算法相结合,使得最终的网络既具有可解释性,又拥有神经网络的强大拟合性。为了增强网络的目标图像多尺度特征提取能力,提出了多尺度空洞卷积注意力模块,该模块可以有效地提取目标图像的多尺度特征,并对重要特征赋予较大的权重,提高网络性能。实验表明,该网络能够有效恢复图像的细节信息,实现降质图像较好的超分辨重建效果。

基于深度展开的大规模MIMO系统CSI反馈算法

针对现阶段大规模MIMO系统中基于深度学习的信道状态信息(CSI)反馈算法待训练参数过多、可解释性不强的问题,提出了2种基于深度展开的CSI反馈算法。一种是基于可学习参数的近似消息传递(AMP)算法,该算法利用深度学习中的可学习参数将AMP算法中阈值函数的阈值和Onsager校正项的参数替换,增强了阈值函数在应对非严格稀疏数据时的非线性能力。另一种是基于卷积网络的AMP算法,该算法将阈值函数模块替换为卷积残差学习模块,利用该模块去除AMP算法中每轮迭代产生的高斯随机噪声。仿真分析表明,所提算法具有比AMP算法更好的CSI反馈表现,其中基于卷积网络的AMP算法具有比基于深度学习的代表性方法更优异的CSI重构性能。

基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。

机载雷达深度展开空时自适应处理方法

稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而,现有SR-STAP方法均基于模型驱动实现,存在着参数设置困难、运算复杂度高等问题。针对这些问题,该文将基于模型驱动的SR方法和基于数据驱动的深度学习方法相结合,首次将深度展开(DU)引入到机载雷达杂波抑制和目标检测之中。首先,建立了阵列误差(AE)条件下的杂波空时谱和阵列误差参数联合估计模型,并利用交替方向乘子法(ADMM)进行求解;接着,将ADMM算法展开为深度神经网络AE-ADMM-Net,利用充足完备的数据集对其迭代参数进行优化;最后,利用训练后的AE-ADMM-Net对训练距离单元数据进行处理,快速获得杂波空时谱和阵列误差参数的准确估计。仿真结果表明:与典型SR-STAP方法相比,该文所提出的DU-STAP方法能够在保持较低运算复杂度的同时提高杂波抑制性能。

基于深度展开ISTA网络的混合源定位方法

针对嵌套阵列下近场和远场混合源定位问题,本文通过构建和训练深度展开迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm,ISTA)网络实现混合源的波达方向(direction of arrival,DOA)和距离参数估计。首先考虑到近场源协方差矩阵具有Hermitian矩阵形式,远场源协方差矩阵具有Hermitian和Toeplitz矩阵形式,通过将混合源协方差矩阵进行差分可以得到近场源差分向量,其中近场源差分向量转换到实数域,可以显著降低深度展开ISTA网络的计算复杂度。接着将不同参数下的近场源差分向量和近场源真实空间谱进行配对作为训练样本,对近场源深度展开ISTA网络进行训练,其中深度展开ISTA网络的隐藏层对应模型驱动ISTA方法的迭代步骤。然后利用估计出的近场源DOA和距离参数,通过子空间差分方法得到远场源协方差向量。最后将不同参数下的远场源协方差向量和远场源真实空间谱进行配对作为训练样本,对远场源深度展开ISTA网络进行训练,其中远场源协方差向量同样转换到实数域。在深度展开ISTA网络的训练过程中,损失函数只与重构误差和网络输出的稀疏性有关,不需要混合源的标签,可以认为是无监督学习。仿真实验表明所提出的深度展开ISTA网络能够实现混合源识别和定位。此外所提出的深度展开ISTA网络具有可解释参数,对近场和远场混合源的离网格参数估计具有泛化能力。相较于模型驱动ISTA方法,经过训练的深度展开ISTA网络的收敛速度更快,对近场和远场混合源定位的精度更高。

深度展开网络的高光谱异常探测

在现有基于物理模型的高光谱异常探测HAD(Hyperspectral Anomaly Detection)方法中,低秩表示LRR(Low-Rank Representation)模型以其强大的背景和目标特征分离能力而受到广泛的关注和采用。然而,由于依赖手动参数的选择以及较差的泛化性,导致其实际应用受到限制。为此,本文将LRR模型与深度学习技术相结合,提出了一种新的适用于HAD的基础深度展开网络,称为LRR-Net。该方法借助交替方向乘法ADMM(Alternating Direction Method of Multipliers)优化器高效地求解LRR模型,并将其求解步骤耦合至深度网络中以指导其搜索过程,为深度网络提供了一定的理论基础,具有较强的可解释性。此外,LRR-Net以端到端的方式将一系列正则化的参数转换为可学习的网络参数,从而避免了手动调参。4组不同的高光谱异常探测实验证明了LRR-Net的有效性,与其他无监督的异常探测方法相比,LRR-Net具有较强的泛化性和鲁棒性,能够提高HAD的精度。

基于深度多尺度卷积稀疏编码的图像去噪算法

针对图像去噪深度网络缺乏可解释性的问题,利用深度展开思想,提出了一种基于多尺度卷积稀疏编码的深度去噪网络(MSCSC-Net)。首先利用多尺度卷积字典,构建了多尺度卷积稀疏编码模型,能有效地刻画图像中的多尺度结构特征,然后将多尺度卷积稀疏编码模型的传统迭代优化解展开为深度神经网络架构,即MSCSC-Net,其中网络的每层对应优化解的每次迭代。因此,提出的深度网络中参数可以通过优化模型来准确定义,提高了网络的可解释性。此外,为了更加有效地保留原始图像中的结构信息,MSCSC-Net采用了一种改进的残差学习思想,将输入噪声图像与上一层的中间去噪结果进行加权,并作为下一层的输入图像,以进一步提高网络的去噪效果。在公开数据集上的实验结果表明,与现有典型的基于深度学习去噪算法相比,MSCSC-Net具有一定的竞争力。特别地,在CBSD68数据集上,噪声等级为75时,MSCSC-Net的平均PSNR指标和SSIM指标比FFDNet分别提高了0.77%和2.2%。

基于伪监督注意力短期记忆与多尺度去伪影网络的图像分块压缩感知

基于深度展开网络的分块压缩感知(BCS)方法,在迭代去块伪影时通常会同时去除部分信号和保留部分块伪影,不利于信号恢复。为了改善重建性能,在学习去噪的迭代阈值(LDIT)算法基础上,该文提出基于伪监督注意力短期记忆与多尺度去伪影网络(MSD-Net)的图像BCS迭代方法(PSASM-MD)。首先,在每步迭代中,利用残差网络并行地对每个图像子块单独去噪后再拼接。然后,对拼接后的图像采用含有伪监督注意力模块(PSAM)的MSD-Net进行特征提取,以更好地去除块伪影以提高重建性能。其中,PSAM被用于从含有块伪影的残差中抽取部分有用信号,并传递到下一步迭代实现短期记忆,以尽量避免去除有用信号。实验结果表明,该文方法相比现有先进的同类BCS方法在主观视觉感知和客观评价指标上均取得了更优的结果。

稀疏阵列波达方向估计研究进展

波达方向(direction of arrival,DOA)估计是阵列信号处理领域的重要研究方向,也是电子侦察与电子攻击领域的关键技术之一。以提高DOA估计精度和降低计算复杂度为导向,结合模型驱动和数据驱动方法的各自优势,提出了基于深度展开网络的DOA估计统一框架,阐述了稀疏阵列离网格DOA估计、无网格DOA估计以及混合信号参数估计等方面的研究进展。对复杂信号模型下的DOA估计、深度展开网络性能分析与挖掘以及分布式稀疏阵列回波信号融合处理等后续的研究内容进行了展望。

基于自学习稀疏先验的三维SAR成像方法

合成孔径雷达三维成像技术(3D SAR)能通过孔径维度扩展实现三维成像能力,但数据维度大、系统实现难、成像分辨率低。压缩感知稀疏重构技术在简化3D SAR系统、提升成像质量等方面展现出巨大潜力,但面临计算复杂度高、参数设置困难、弱稀疏场景适应差等新问题,制约了其实际应用。针对上述问题,该文结合卷积神经网络的特征学习及迭代算法的深度展开理论,提出了基于自学习稀疏先验的3D SAR成像方法。首先,探讨了常规3D SAR稀疏成像中矩阵向量线性表征模型的局限性,引入成像算子提升成像算法处理效率。其次,讨论了迭代算法映射网络的深度展开模型和实现方式,包括网络拓扑结构设计、算法参数的优化约束及网络的训练方法。最后,通过仿真数据和地面实验,证明了所提方法在提升成像精度的同时,其运行时间较传统稀疏成像算法降低一个数量级。

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar,ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing,CS)方法解决。目前,许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题,本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network,C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法,结合传统结构化稀疏ISAR成像模型,构建C-ADMMN网络。通过监督学习,C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果,具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。

基于内-外部互补先验的亚像素分辨率衍射成像算法研究

亚像素分辨率衍射成像旨在利用观测的低分辨率衍射强度图样重建高分辨率图像,它在多个科学与工程领域具有重要应用。现有算法大都存在重建质量低且重建图像丢失了大量细节信息的问题。为解决这些问题,本文融合复图像的内部先验和外部先验提出了能够重建高质量图像的亚像素分辨率衍射成像方法。本文利用基于内部先验的三维块匹配滤波框架表示模型与蕴含外部先验的深度展开卷积稀疏编码模型结合复数表示模型提出了融合内-外部互补先验的复数域正则化模型,基于该正则化模型构建了面向亚像素分辨率衍射成像的优化模型,并利用交替优化方法对构建的优化模型进行了有效求解。仿真实验表明,提出的算法能够充分利用复图像内-外部互补先验知识进行亚像素分辨率衍射成像,并且在超分辨率因子为2时重建复图像的平均峰值信噪比较基于全变差的算法提升了1.58 dB。实际无透镜片上显微镜的实验结果表明提出算法较基于全变差的算法能够重建出更多的细节信息。

基于CV-FISTA网络的稀疏孔径ISAR成像方法

逆合成孔径雷达(inverse synthetic aperture radar,ISAR)在雷达目标识别、空间监视和弹道导弹防御等领域发挥着重要作用。针对传统稀疏孔径ISAR成像算法对参数敏感和收敛速度慢的问题,提出一种基于复值快速迭代收缩阈值算法网络的稀疏孔径ISAR成像恢复方法。将加速近端梯度方法引入稀疏重构算法中,并将其迭代步骤构建为深度展开网络的隐藏层,构建初始参数相同的随机散射点和飞机散射点的数据集,将复值一维距离像作为网络的输入,利用ISAR像对应的标签对网络进行训练和验证。该方法直接处理复数数据替代传统的分实虚部两路计算方法,显著减少了计算负担。仿真实验表明,相较于传统模型驱动算法,通过对网络进行训练避免了手动调参过程,收敛速度更快,成像质量更高,而且对于特征差异较大的数据具有更好的泛化能力。

MoGN:模型引导的遥感图像融合网络

全色锐化是一种常见的图像融合技术,旨在融合卫星提供的高空间分辨率的全色图像和低空间分辨率的多光谱图像,得到高空间分辨率的多光谱图像。结合模型优化与深度学习方法的优势,提出一种模型引导的全色锐化神经网络(MoGN)。基于观测模型和融合图像的深度先验构建了一个全色锐化函数,对目标函数进行求解并将其迭代解展开为深度网络,其中空间退化和光谱退化过程通过设计专用的子网络进行近似,深度先验则由基于Unet架构的去噪器进行近似。降分辨率和全分辨率下的实验结果都证明了所提出方法的有效性。

稀疏统计学习及其最新研究进展综述

稀疏性意谓可以仅用少数位于低维子空间的参数(特征变量)近似表示高维空间的复杂物理过程,是实际应用中普遍存在的性质.稀疏统计学习旨在探索高维数据的稀疏性,并进行统计建模和推断.文章综述了基于回归分析的稀疏统计学习模型及其最新研究进展.主要介绍了各类带有凸或非凸正则项的稀疏回归模型,特别是L_(1/2)正则化框架的算法和应用.近10年来,深度学习取得革命性进展,结合传统稀疏统计学习模型与深度神经网络的研究逐渐受到了广泛的关注.文章主要介绍了基于稀疏建模的深度学习方法和数据驱动的稀疏统计分析方法,前者包括深度网络展开等,后者则包括深度哈希学习及深度典型相关分析.最后,文章进行了总结,并展望了未来可能的研究方向.

多任务的高光谱图像卷积稀疏编码去噪网络

目的高光谱图像由于其成像机理、设备误差和成像环境等因素导致采集到的数据存在噪声。传统稀疏表示方法需要把高光谱图像划分为一系列的重叠局部图像块进行表示,通过对重叠图像块去噪结果进行平均,实现整体图像去噪。这种局部—整体去噪方法不可避免地会破坏高光谱图像空间关系,产生较差的去噪效果和视觉瑕疵。本文利用卷积算子的平移不变性,采用卷积稀疏编码(convolutional sparse coding,CSC)对高光谱图像进行整体表示,保留不同图像块之间的空间关系,提升高光谱图像去噪性能。方法将每个波段去噪看做单任务,采用卷积稀疏编码描述单波段的局部空间结构关系。通过共享稀疏编码系数,实现不同波段之间的全局光谱关联关系建模,形成多任务卷积稀疏编码模型。多任务卷积稀疏编码模型一方面可以实现高光谱图像的空间—光谱关系联合建模;另一方面,对高光谱图像进行整体处理,有效地利用图像块之间的关系,因此具有很强的去噪能力。借鉴深度学习强大的表征能力,将多任务卷积稀疏编码模型的算法迭代过程通过深度展开(deep unfolding)方式转化为端到端可学习深度神经网络,即多任务卷积稀疏编码网络(multitask convolutional sparse coding network,MTCSC-Net),进一步提升模型去噪能力和运行效率。结果在ICVL和CAVE(Columbia Imaging and Vision Laboratory)数据集上进行了仿真实验,在Urban数据集上进行了真实数据实验,并与8种方法进行比较,表明了本文算法的有效性。与传统基于图像块的稀疏去噪算法相比,在CAVE数据集上本文算法的峰值信噪比(peak signal-to-noise ratio,PSNR)提升1.38 dB;在ICVL数据集上提升0.64 dB。结论提出的多任务卷积稀疏编码网络能有效利用高光谱图像的空间—光谱关联信息,具有更强的去噪能力。