Learning to Sense

Die kohärente Bildgebung im mm-Wellen- und THz-Frequenzbereich eröffnet einen riesigen Anwendungsbereich, der innovative Bildgebungs- und Erfassungsmöglichkeiten in optisch unzugänglichen Situationen bietet, wie z. B. die Fernerkundung unter beliebigen Umgebungsbedingungen, autonome Fahrzeugsichtsysteme, die gegen Nebel und Regen resistent sind, die Bildgebung unter der Oberfläche für die Materialanalyse, Qualitätskontrolle und zerstörungsfreie Prüfung oder sicherheitsrelevante Bildgebungssysteme für Anwendungen wie die Erkennung versteckter Sprengstoffe an Flughafenkontrollstellen. In diesem Projekt sollen auf maschinellem Lernen basierende Ansätze eingesetzt werden, um zu lernen, mit den grundlegenden Beschränkungen kohärenter Bildgebungssysteme umzugehen, und um deren Eignung im mm-Wellen- und THz-Frequenzbereich zu trainieren und zu validieren. Die experimentelle Umsetzung wird sich auf spärliche Multiple-Input-Multiple-Output (MIMO)-Synthetic-Aperture-Radar (SAR)-mm-Wellen- und THz-Abbildungsansätze (von 300 GHz - THz) konzentrieren, angesichts ihrer weitreichenden Anwendungsrelevanz und intrinsischen Vorteile.

Dieses Ziel wird von den folgenden, miteinander verbundenen Zielen geleitet:

• Lernen, wie physikalisches Wissen, das Netzwerkarchitekturen enthält, genutzt werden kann, um adaptive synthetische Bilderzeugungsansätze zu entwickeln, die die Bildqualität verbessern und szenenabhängige Interferenzartefakte für kohärente 3D-Bildgebung korrigieren.

• Bewertung und Verständnis der Robustheit der auf maschinellem Lernen basierenden Segmentierung von rekonstruierten 3D-THz-Bilddaten, die aus spärlichen Beleuchtungs- und Sensoranordnungen stammen, einschließlich differentieller Bildgebungsmodi.

• Bewertung und Lernen, ob eine Segmentierung aus sensorischen Rohdaten direkt erreicht werden kann, ohne einen Zwischenschritt der 3D-Bilderzeugung durch synthetische Rekonstruktion.

• Lernen, wie eine sensorische, aufgabenabhängige Systemoptimierung die Bildgebungs- und Erkennungsfähigkeiten grundlegend maximieren und gleichzeitig den Aufwand für Hardware und Datenerfassung minimieren kann.

Die L2S-Forschungsgruppe ist das Zentrum eines internationalen Netzwerks von Forschern, die an verschiedenen Aspekten der Sensorik, Simulationen, maschinellem Lernen und Computer Vision arbeiten. Im Folgenden sind unsere engsten Mitarbeiter aufgeführt, die alle DFG-Mercator-Stipendiaten unserer Projekte sind und daher längere Forschungsaufenthalte in unserer Forschungsgruppe verbringen werden.