In this paper, we present a single-pixel compressive direction of arrival (DoA) estimation technique leveraging a graph attention network (GAT)-based deep-learning framework. The physical layer compression is achieved using a coded-aperture technique, probing the spectrum of far-field sources that are incident on the aperture using a set of spatio-temporally incoherent modes. This information is then encoded and compressed into the channel of the coded-aperture. The coded-aperture is based on a metasurface antenna design and it works as a receiver, exhibiting a single-channel and replacing the conventional multichannel raster scan-based solutions for DoA estimation. The GAT network enables the compressive DoA estimation framework to learn the DoA information directly from the measurements acquired using the coded-aperture. This step eliminates the need for an additional reconstruction step and significantly simplifies the processing layer to achieve DoA estimation. We show that the presented GAT integrated single-pixel radar framework can retrieve high fidelity DoA information even under relatively low signal-to-noise ratio (SNR) levels.


翻译:在本文中,我们提出了一个单像压缩到货方向(DoA)估算技术,利用基于图形关注网络(GAT)的深学习框架。物理层压缩是使用一种编码孔径外光学技术实现的,用一套电磁模调不相容的模型来探测孔径上发生的远野源的频谱。此信息随后被编码并压缩到编码孔径的通道中。该编码孔径光基于一个元表层天线设计,它作为接收器发挥作用,展示一个单一通道,并取代传统的多通道光栅扫描法,用于 DoA 估计。GAT 网络使压缩DoA 估算框架能够直接从使用编码孔径的测量中获得的 DoA 信息。这一步骤消除了额外重建步骤的必要性,并大大简化了处理层,以实现 DoA 估计。我们表明,在相对低的信号到 NIS 水平下,GAT 集成的单像雷达框架可以检索高可靠性的 DoA 。

0
下载
关闭预览

相关内容

图注意力网络(Graph Attention Network,GAT),它通过注意力机制(Attention Mechanism)来对邻居节点做聚合操作,实现了对不同邻居权重的自适应分配,从而大大提高了图神经网络模型的表达能力。
专知会员服务
60+阅读 · 2020年3月19日
专知会员服务
109+阅读 · 2020年3月12日
抢鲜看!13篇CVPR2020论文链接/开源代码/解读
专知会员服务
49+阅读 · 2020年2月26日
八篇 ICCV 2019 【图神经网络(GNN)+CV】相关论文
专知会员服务
29+阅读 · 2020年1月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
【资源】语音增强资源集锦
专知
8+阅读 · 2020年7月4日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CVPR2019| 05-20更新17篇点云相关论文及代码合集
极市平台
23+阅读 · 2019年5月20日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
VIP会员
相关资讯
【资源】语音增强资源集锦
专知
8+阅读 · 2020年7月4日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CVPR2019| 05-20更新17篇点云相关论文及代码合集
极市平台
23+阅读 · 2019年5月20日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Top
微信扫码咨询专知VIP会员