传感系统在我们生活的许多领域都越来越普遍，比如环境辅助医疗、自动驾驶汽车和非接触式人机交互。然而，这些系统往往缺乏智能:它们倾向于收集所有可用的信息，即使这些信息并不相关。这不仅会导致侵犯隐私，还会浪费数据处理过程中的时间、精力和计算资源。
为了解决这一问题，法国CNRS的研究人员提出了智能电磁传感的概念，该概念使用机器学习技术生成学习到的照明模式，以便在测量过程中预先选择相关细节。配置可编程超表面以生成学习模式，执行高精度传感(例如，姿态识别)，并显著减少测量次数。
但在实际应用中，测量过程不可避免地受到各种噪声的影响。噪声基本上伴随着任何测量。在室内环境中，辐射电磁信号必须保持微弱，信噪比可能特别低。
因此，Chenqi Qian和Philipp del Hougne进一步推进了之前的研究，提出了一种智能可编程计算元成像仪，它不仅可以根据特定的信息提取任务(如物体识别)定制其照明模式，而且还可以适应不同类型和级别的噪声。他们于2022年12月2日在《智能计算》杂志上发表了一篇受邀研究文章。
“我们假设，智能可编程元成像仪用于有效地从场景中提取特定任务信息的最佳相干照明模式将在很大程度上取决于噪声的类型和水平。”研究人员指出，噪声可能会深刻地影响最佳元成像仪配置，因为除了延迟限制允许测量的数量外，噪声也限制了可以从场景中提取的信息量。
研究人员说:“在本文中，我们系统地探索了延迟约束和噪声的结合如何影响智能多镜头可编程元成像仪。”为了评估他们的假设，研究人员考虑了一个典型的物体识别问题，为此他们提出了一个微波计算可编程元成像仪系统。该系统可用于室内监视、对地观测等领域。
在他们考虑的系统中，一个微波动态超表面天线(DMA)使用单个发射机向场景辐射一系列相干波前，第二个DMA使用单个探测器相干捕捉反射波。设计了一个可微分的端到端信息流管道，包括可编程的物理测量过程(包括噪声)以及后续的数字处理层。
该管道的基本元素对于所有基于波的信息提取问题是相同的，包括成像、传感、定位和物体识别。他们解释说:“唯一显著的区别在于任务特定的成本函数，该函数需要优化以获得良好的性能。”
因此，作者应用于物体识别的方法也可以用于参数估计问题，如定位。“这个管道允许我们联合反向设计可编程的物理权重(确定连贯场景照明的DMA配置)和可训练的数字权重。”
正是这种联合优化——可训练的物理参数和可训练的数字参数的特定于任务的端到端联合优化——赋予了测量过程任务意识，这样它就可以在模拟域中区分任务相关和任务无关的空中信息。
研究人员测试了这种可编程元成像仪的性能，它可以生成一系列特定于任务和特定于噪声的场景照明，并发现当可以从场景中提取的信息受到延迟约束和/或噪声的限制时，它优于具有随机配置的传统压缩感知。对于信号无关和信号相关的加性噪声类型的性能增益都得到了证明。所学习的照明模式的“宏观”特征，即它们的相互重叠和强度，被发现是可以直观理解的，尽管该方法具有“黑箱”性质。
根据研究人员的说法，过渡到一个系统，自适应检测噪声的类型和水平，并相应地更新其利用的DMA配置序列，而不需要额外的人工输入是很简单的。他们总结道:“我们真诚地希望我们的结果可以转到基于其他波动现象(例如光学、声学、弹性和量子力学)和/或其他类型的原位可编程测量硬件的信息提取问题上。”更多信息:Chenqi Qian等人，噪声自适应智能可编程元成像仪，智能计算(2022)。引用本文:智能可编程元成像仪:一种针对特定任务的噪声自适应传感的及时方法(2022,12月30日)检索于2022年12月30日从https://techxplore.com/news/2022-12-intelligent-programmable-meta-imagers-approach-task-specific.html。本文档受版权保护。除为私人学习或研究目的而进行的公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
