编程随想 关系图_基于机器学习的可再编程超表面成像仪

原文Machine-learning reprogrammable metasurface imager，发表于Nature Communications，第一作者为Lianlin Li，通讯作者为Cheng-Wei Qiu和Tiejun Cui，原文链接：https://doi.org/10.1038/s41467-019-09103-2

摘要：传统的微波成像仪通常需要较长时间完成数据采集，或者需要复杂的重建算法来进行数据后处理，这使得它们并不适用于即时监测的场景。在这里，我们报告了一个real-time digital-metasurface imager，它可以即时训练以生成radiation pattern，这种pattern可用于机器学习优化所得的测量模式。该超表面成像仪实时地进行电子化再编程，以获得整个数据集的最优解，从而实现了动态变化场景中全分辨率原始数据的存储和传输。此外，我们使用single physical hardware imager，实时对各种图像集（包括hand- written digits和through-wall body gestures）进行了现场演示，显示出高精度的图像编码和识别能力。我们设计的电子控制的超表面成像仪为智能监控、快速数据采集和处理、各种频率的成像器件提供了新思路。

图1. 实时数字超表面成像仪的工作原理

图1a. 所提的机器学习超表面成像仪可以针对不同种类的场景进行优化。 通过训练代表超表面配置（表面）的流型使其接近训练数据（散点），最终达到优化的目的。

图1b. 使用PCA的方法来训练可再编程的成像仪。

图1c. 超表面的编码图和晶胞结构。图1d. 使用实时可再编程的超表面成像仪对墙壁后面的人进行成像，重建图像在右侧。

图2. 人体成像实验的配置和结果

图2a和图2b分别显示的是16种最优的理论PCA和机器学习成像仪得出的模式。图2c显示的是2-bit编码超表面的patter，它 与图2b相对应。

图2d显示的是4张测试图像。图2e和图2f为与图2d相对应的重建图像，分别使用了基于PCA和随机投影进行训练的机器学习成像仪。

图3. 四种不同姿势的重建图像。 我们使用随机投影和PCA的线性嵌入方法，分别在第100、200、400和600次进行测量。 在测量次数较少时，PCA重建相比于随机投影重建更具优势，因为在PCA中包含了大量的相关训练样本。

图4. 使用超表面成像器对身体手势进行分类。图4a. 当通过随机投影和PCA训练可编程超表面时，分类率与测量次数的关系。 为了进行比较，图4a中还提供了理论PCA(蓝线)的结果。 图4b–d. 通过(b)随机投影、(c)PCA和(d)理论PCA，比较特定分类结果，图中使用了25个测量值。