3DInvNet：基于深度学习的三维地下探地雷达数据反演
摘要：从地下探地雷达（GPR）数据中重建3D介电常数图对于绘制地下环境和检查地下结构的完整性非常重要。传统的迭代3D重建算法存在强非线性、不适定性和计算成本高的问题。为了解决这些问题，提出了一种名为3DInvNet的3D深度学习方案，用于从GPR C扫描中重建3D介电常数图。所提出的方案利用先前的3D卷积神经网络和特征注意机制来抑制C扫描中由地下异质土壤环境引起的噪声。然后设计了一个具有多尺度特征聚合模块的3D U形编码器-解码器网络，以建立从去噪C扫描到3D介电常数图的最优反向映射。此外，采用三步分离学习策略来预训练和微调网络。所提出的方案应用于数值模拟和实测数据。定量和定性结果显示了网络在去噪GPR C扫描和重建地下物体的3D介电常数图方面的能力、通用性和鲁棒性。
作者：Qiqi Dai, Yee Hui Lee, Hai-Han Sun, Genevieve Ow, Mohamed Lokman Mohd Yusof, and Abdulkadir C. Yucel
论文ID：2305.05425
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-19