論文の概要: Learning Deep Analysis Dictionaries for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2001.12010v2
- Date: Tue, 10 Nov 2020 06:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:45:26.573429
- Title: Learning Deep Analysis Dictionaries for Image Super-Resolution
- Title（参考訳）: 超解像のための深層分析辞書の学習
- Authors: Jun-Jie Huang and Pier Luigi Dragotti
- Abstract要約: ディープ分析辞書モデル(DeepAM)は、単一画像超解像と呼ばれる特定の回帰課題に対処するために最適化されている。
我々のアーキテクチャはL層の解析辞書とソフトスレッショルド演算子を含む。
DeepAMは、教師なしと教師なしの両方のセットアップを使用する。
- 参考スコア（独自算出の注目度）: 38.7315182732103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the recent success of deep neural networks and the recent efforts
to develop multi-layer dictionary models, we propose a Deep Analysis dictionary
Model (DeepAM) which is optimized to address a specific regression task known
as single image super-resolution. Contrary to other multi-layer dictionary
models, our architecture contains L layers of analysis dictionary and
soft-thresholding operators to gradually extract high-level features and a
layer of synthesis dictionary which is designed to optimize the regression task
at hand. In our approach, each analysis dictionary is partitioned into two
sub-dictionaries: an Information Preserving Analysis Dictionary (IPAD) and a
Clustering Analysis Dictionary (CAD). The IPAD together with the corresponding
soft-thresholds is designed to pass the key information from the previous layer
to the next layer, while the CAD together with the corresponding
soft-thresholding operator is designed to produce a sparse feature
representation of its input data that facilitates discrimination of key
features. DeepAM uses both supervised and unsupervised setup. Simulation
results show that the proposed deep analysis dictionary model achieves better
performance compared to a deep neural network that has the same structure and
is optimized using back-propagation when training datasets are small.
- Abstract（参考訳）: 近年のディープニューラルネットワークの成功と近年の多層辞書モデル開発に触発されて,単一画像超解像と呼ばれる特定の回帰課題に対処するために最適化されたディープ分析辞書モデル(DeepAM)を提案する。
他の多層辞書モデルとは対照的に,我々のアーキテクチャでは,解析辞書のL層とソフトスレッディング演算子を用いて,段階的に高次特徴を抽出し,手作業の回帰処理を最適化する合成辞書の層を含む。
本手法では,各分析辞書を,情報保存分析辞書(IPAD)とクラスタリング解析辞書(CAD)の2つのサブ辞書に分割する。
対応するソフトスレッショルドと共にIPADは、キー情報を前層から次の層に渡すように設計され、CADと対応するソフトスレッショルド演算子は、キー特徴の識別を容易にする入力データのスパース特徴表現を生成するように設計されている。
DeepAMは、教師なしと教師なしの両方のセットアップを使用する。
シミュレーションの結果,同じ構造を持ち,トレーニングデータセットが小さい場合にはバックプロパゲーションを用いて最適化したディープニューラルネットワークと比較して,深層解析辞書モデルの性能が向上することが示された。
関連論文リスト
- Informed deep hierarchical classification: a non-standard analysis inspired approach [0.0]
出力層の前に配置された特定のプロジェクション演算子を備えた多出力ディープニューラルネットワークで構成されている。
このようなアーキテクチャの設計は、LH-DNN(Lexicographic Hybrid Deep Neural Network)と呼ばれ、異なる研究分野と非常に離れた研究分野のツールを組み合わせることで実現されている。
アプローチの有効性を評価するために、階層的な分類タスクに適した畳み込みニューラルネットワークであるB-CNNと比較する。
論文 参考訳（メタデータ） (2024-09-25T14:12:50Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳（メタデータ） (2023-02-01T17:32:16Z) - A variational autoencoder-based nonnegative matrix factorisation model
for deep dictionary learning [13.796655751448288]
非負行列分解(NMF)を用いた辞書の構築は、信号処理や機械学習に広く応用されている。
可変オートエンコーダ(VAE)を用いて非負の辞書学習を行う確率的生成モデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T02:36:03Z) - A Unified Understanding of Deep NLP Models for Text Classification [88.35418976241057]
我々は、テキスト分類のためのNLPモデルの統一的な理解を可能にする視覚解析ツールDeepNLPVisを開発した。
主要なアイデアは相互情報に基づく尺度であり、モデルの各レイヤがサンプル内の入力語の情報をどのように保持するかを定量的に説明する。
コーパスレベル、サンプルレベル、単語レベルビジュアライゼーションで構成されるマルチレベルビジュアライゼーションは、全体トレーニングセットから個々のサンプルまでの分析をサポートする。
論文 参考訳（メタデータ） (2022-06-19T08:55:07Z) - Better Language Model with Hypernym Class Prediction [101.8517004687825]
クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。
本研究では,このアプローチをニューラルLMの文脈で再考する。
論文 参考訳（メタデータ） (2022-03-21T01:16:44Z) - X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented
Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。
本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。
本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文 参考訳（メタデータ） (2021-06-07T16:40:05Z) - Locality Constrained Analysis Dictionary Learning via K-SVD Algorithm [6.162666237389167]
合成K-SVDアルゴリズム(SK-LADL)を用いた新しい局所性制約分析辞書学習モデルを提案する。
画像データの幾何学的構造を明らかにするためにグラフ正規化を課すことにより、本質的な幾何学的性質を考察する。
学習した解析辞書を通して、画像は多様体の仮定をさらに保証できる新しいコンパクトな空間に変換される。
論文 参考訳（メタデータ） (2021-04-29T05:58:34Z) - Deep Semantic Dictionary Learning for Multi-label Image Classification [3.3989824361632337]
本稿では,辞書学習課題であるマルチラベル画像分類の解法に向けて,革新的な方法を提案する。
Deep Semantic Dictionary Learning(DSDL)という新しいエンドツーエンドモデルが設計されている。
コードとモデルを公開しました。
論文 参考訳（メタデータ） (2020-12-23T06:22:47Z) - Keyphrase Extraction with Dynamic Graph Convolutional Networks and
Diversified Inference [50.768682650658384]
キーワード抽出(KE)は、ある文書でカバーされている概念やトピックを正確に表現するフレーズの集合を要約することを目的としている。
最近のシークエンス・ツー・シークエンス(Seq2Seq)ベースの生成フレームワークはKEタスクで広く使われ、様々なベンチマークで競合性能を得た。
本稿では,この2つの問題を同時に解くために,動的グラフ畳み込みネットワーク(DGCN)を採用することを提案する。
論文 参考訳（メタデータ） (2020-10-24T08:11:23Z) - Learning Deep Analysis Dictionaries -- Part II: Convolutional
Dictionaries [38.7315182732103]
非構造化辞書の代わりに畳み込み辞書を学習するディープ畳み込み解析辞書モデル(DeepCAM)を導入する。
L層DeepCAMは、畳み込み解析辞書のL層と、要素単位のソフトスレッディングペアから構成される。
We demonstrate that DeepCAM is a effective multilayer convolutional model and on single image super- resolution, achieves performance comparable with other method。
論文 参考訳（メタデータ） (2020-01-31T19:02:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。