MARC

 008260219s2023        us            s          000c||eng  d
■001000017360605
■00520260202105554
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265401861
■035    ▼a(MiAaPQ)AAI32315852
■035    ▼a(MiAaPQ)GeorgiaTech76829
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■090    ▼a전자자료
■1001  ▼aHe,  Ziyan.
■24510▼aRadio  Tomographic  Imaging  with  Deep  Learning.▼h[electronic  resources]
■260    ▼a[S.l.]▼bGeorgia  Institute  of  Technology.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a141  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Ma,  Xiaoli.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aRadio  tomographic  imaging  (RTI)  is  a  promising  passive  computational  imaging  technique  for  reconstructing  attenuation  images  induced  by  objects  in  wireless  networks.  The  attenuation  images  can  be  applied  to  realize  passive  object  localization,  environment  monitoring,  and  even  through-wall  imaging  in  security  systems.  In  RTI  systems,  the  attenuation  map  is  also  referred  to  as  the  space  loss  field  (SLF),  which  quantifies  the  attenuation  rate  of  the  radio  frequency  (RF)  waves  at  each  location  in  the  imaging  area  covered  by  wireless  networks.  Any  object  on  a  signal  propagation  path  causes  signal  attenuation  on  received  signal  strength  (RSS)  measurements  between  wireless  transceiver  pairs  due  to  shadowing  effects.  The  RSS  attenuation  can  be  modeled  as  the  2-dimensional  (2D)  integral  of  the  SLF  scaled  by  a  weighting  function.  This  principle  underpins  RTI  techniques  and  enables  the  estimation  of  the  SLF  from  the  RSS  measurements.This  thesis  aims  to  take  advantage  of  the  power  of  deep  learning  to  develop  effective  and  accurate  RTI  schemes  to  deal  with  one-shot  and  online  imaging  scenarios  while  considering  diverse  wireless  environments.  The  RTI  problem  is  generally  ill-posed  with  insufficient  observations,  and  traditional  techniques  that  rely  solely  on  optimization  algorithms  cannot  achieve  precise  reconstruction  caused  by  inaccurate  prior  assumptions  on  the  SLF  images  and  the  noise.  Compared  to  the  conventional  approaches,  deep-learning-based  RTI  techniques  are  data-driven  methods  that  can  directly  learn  prior  information  from  data  to  avoid  making  unreliable  assumptions.Specifically,  we  design  an  attention-augmented  optimization  SLF  estimation  scheme  using  both  deep  learning  and  traditional  optimization  algorithms  to  refine  the  blurry  SLF  reconstruction  in  the  one-shot  estimation  scenario.  In  addition  to  the  one-shot  RTI  approach,  we  harness  the  temporal  correlations  across  RSS  observations  at  neighboring  timesteps  to  develop  an  online  SLF  estimator  that  leverages  past  RSS  measurements  and  SLF  estimations.  To  further  enhance  the  SLF  imaging  performance,  we  investigate  the  discriminability  of  the  RTI  scheme  and  exploit  the  state-of-the-art  object  detection  and  semantic  segmentation  models  from  the  area  of  computer  vision.  This  leads  to  the  development  of  a  fully  deep-learning-based  single-shot  RTI  approach,  incorporating  the  U-Net  structure  to  attain  high-resolution  SLF  recovery.  This  RTI  scheme  is  further  extended  to  the  online  scenario.  Finally,  we  address  the  challenge  of  model  mismatch  in  the  RTI  system,  where  the  mathematical  model  relating  SLF  and  RSS  may  not  perfectly  align  with  real-world  conditions.  To  mitigate  this  issue,  we  devise  a  deep  unsupervised  domain  adaptation  (UDA)  module  to  adapt  our  high-resolution  one-shot  and  online  RTI  schemes  to  actual  environments  while  preserving  imaging  performance  to  the  maximum  extent  possible.  Collectively,  these  proposed  strategies  form  a  comprehensive  investigation  of  the  RTI  problem  from  a  deeplearning  perspective.
■590    ▼aSchool  code:  0078.
■650  4▼aWireless  networks.
■650  4▼aTomography.
■650  4▼aDeep  learning.
■650  4▼aComputer  vision.
■650  4▼aMagnetic  resonance  imaging.
■650  4▼aSignal  processing.
■650  4▼aNeural  networks.
■650  4▼aAdaptation.
■650  4▼aDesign.
■650  4▼aOptimization  algorithms.
■650  4▼aVisualization.
■650  4▼aComputer  science.
■650  4▼aElectrical  engineering.
■650  4▼aMedical  imaging.
■690    ▼a0389
■690    ▼a0800
■690    ▼a0984
■690    ▼a0544
■690    ▼a0574
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360605▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서