La investigación de IA en el CNRS francés propone un meta-imager inteligente programable y adaptativo al ruido un enfoque oportuno para la detección específica de tareas y adaptativa al ruido

El CNRS francés propone un meta-imager inteligente programable y adaptativo al ruido para la detección específica de tareas y adaptativa al ruido.

Investigadores del CNRS francés han desarrollado un Meta-Imagenador Programable Inteligente Adaptativo al Ruido. Los sistemas de detección se utilizan cada vez más en muchos aspectos de nuestra vida, como interfaces de ordenador sin contacto, vehículos sin conductor y atención sanitaria con soporte ambiental. Sin embargo, estos sistemas a menudo carecen de inteligencia, ya que tienden a recopilar toda la información, independientemente de si es relevante o no. Esto puede resultar en invasiones de privacidad, así como en una pérdida de tiempo, esfuerzo y recursos computacionales durante el procesamiento de datos.

No obstante, los procedimientos de medición en aplicaciones prácticas se ven inevitablemente afectados por diferentes tipos de ruido. Cada medición está inherentemente acompañada de ruido. Especialmente en entornos interiores, donde las señales electromagnéticas que se transmiten deben ser modestas, la relación señal-ruido puede ser pobre. Con el objetivo de avanzar en la investigación anterior, los investigadores del CNRS francés han desarrollado un meta-imagenador computacional programable e inteligente que no solo adapta su patrón de iluminación a una tarea específica de extracción de información, como el reconocimiento de objetos, sino también a diferentes tipos y niveles de ruido.

El ruido de algún tipo e intensidad inevitablemente contamina los procesos de medición. Postulamos que el tipo y la cantidad de ruido afectarán los mejores patrones de iluminación coherente que debe utilizar un meta-imagenador programable e inteligente para extraer de manera efectiva información específica de una imagen. Se considera un sistema de imágenes computacionales programables de múltiples disparos con un solo transmisor y un solo detector. Estos sistemas son especialmente relevantes en el dominio de las microondas, donde los transceptores costosos pueden ser reemplazados por aperturas de metasuperficie programables, que pueden sintetizar frentes de onda coherentes a partir de una única cadena de radiofrecuencia.

• 8 cosas que la mayoría de los programas de ciencia de datos no enseñan (pero deberías saber) – Parte 1
• Cómo resolver problemas de optimización utilizando programación lineal
• 3 formas de superar los desafíos de calidad de datos en un proyecto de análisis

La influencia de las restricciones de latencia y el ruido en los meta-imagenadores programables e inteligentes de múltiples disparos se explora cuidadosamente en este artículo, según los investigadores. Los investigadores estudiaron un problema común de reconocimiento de objetos y propusieron un sistema de meta-imagenador computacional programable de microondas para probar su teoría. Estos sistemas podrían utilizarse para la observación de la Tierra, la vigilancia en interiores, etc.

En su modelo, una antena de metasuperficie dinámica de microondas (DMA) utilizaba un solo transmisor para enviar una serie de frentes de onda coherentes a la escena, mientras que una segunda DMA utilizaba un solo detector para recolectar coherentemente las ondas reflejadas. Se desarrolló un flujo de información de extremo a extremo diferenciable, que incluye las futuras etapas de procesamiento digital, así como el proceso de medición física programable con ruido.

Esta optimización conjunta, que implica la optimización conjunta de extremo a extremo de los parámetros físicos entrenables y los parámetros digitales entrenables específicos de la tarea, brinda al proceso de medición una conciencia de la tarea, lo que le permite distinguir entre información en el dominio analógico relevante para la tarea en cuestión e información que no lo es.

Los científicos encontraron que este meta-imagenador programable, que genera una secuencia de iluminaciones de escena específicas de la tarea y específicas del ruido, funciona mejor que la detección comprimida convencional con configuraciones aleatorias cuando la cantidad de información que se puede extraer de una escena está limitada por restricciones de latencia y/o ruido. Se observaron mejoras en el rendimiento tanto para tipos de ruido aditivo independientes de la señal como dependientes de la señal. A pesar del carácter de “caja negra” del método, se encontró que los aspectos “macroscópicos” de los patrones de iluminación aprendidos, como sus superposiciones y intensidades recíprocas, son intuitivamente accesibles.

Según los investigadores, el cambio hacia un sistema que reconozca de forma autónoma el tipo y la cantidad de ruido y modifique correspondientemente sus configuraciones de DMA sin necesidad de aportes humanos adicionales es sencillo.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!