論文の概要: Convolutional Sparse Support Estimator Network (CSEN) From energy
efficient support estimation to learning-aided Compressive Sensing
- arxiv url: http://arxiv.org/abs/2003.00768v2
- Date: Sun, 5 Apr 2020 19:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 04:57:23.310068
- Title: Convolutional Sparse Support Estimator Network (CSEN) From energy
efficient support estimation to learning-aided Compressive Sensing
- Title（参考訳）: エネルギー効率支援推定から学習支援圧縮センシングへ向けた畳み込みスパース支援推定ネットワーク(csen)
- Authors: Mehmet Yamac, Mete Ahishali, Serkan Kiranyaz, Moncef Gabbouj
- Abstract要約: スパース信号のサポート推定(SE)はスパース表現における非ゼロ要素の位置指標を見つけることを指す。
本研究では,そのようなマッピングをトレーニングセットから学習するための新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 25.91471358239267
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Support estimation (SE) of a sparse signal refers to finding the location
indices of the non-zero elements in a sparse representation. Most of the
traditional approaches dealing with SE problem are iterative algorithms based
on greedy methods or optimization techniques. Indeed, a vast majority of them
use sparse signal recovery techniques to obtain support sets instead of
directly mapping the non-zero locations from denser measurements (e.g.,
Compressively Sensed Measurements). This study proposes a novel approach for
learning such a mapping from a training set. To accomplish this objective, the
Convolutional Support Estimator Networks (CSENs), each with a compact
configuration, are designed. The proposed CSEN can be a crucial tool for the
following scenarios: (i) Real-time and low-cost support estimation can be
applied in any mobile and low-power edge device for anomaly localization,
simultaneous face recognition, etc. (ii) CSEN's output can directly be used as
"prior information" which improves the performance of sparse signal recovery
algorithms. The results over the benchmark datasets show that state-of-the-art
performance levels can be achieved by the proposed approach with a
significantly reduced computational complexity.
- Abstract（参考訳）: スパース信号のサポート推定(se)とは、スパース表現における非零要素の位置指標を見つけることを指す。
se問題を扱う伝統的なアプローチのほとんどは、欲深い方法や最適化技術に基づいた反復アルゴリズムである。
実際、大多数は、より密度の高い測定(圧縮感度測定など)から直接ゼロでない位置をマッピングする代わりに、スパース信号回復技術を用いてサポートセットを得る。
本研究では,そのようなマッピングをトレーニングセットから学習するための新しいアプローチを提案する。
この目的を達成するため、CSEN(Convolutional Support Estimator Networks)がそれぞれコンパクトな構成で設計されている。
提案されたCSENは、以下のシナリオにとって重要なツールである。
一 異常な位置決め、同時顔認識等のための移動及び低消費電力エッジ装置にリアルタイム及び低コストの支援推定を適用することができる。
(ii)csenの出力は、スパース信号復元アルゴリズムの性能を向上させる「優先情報」として直接使用できる。
ベンチマークデータセットの結果から、最先端のパフォーマンスレベルは計算量を大幅に削減した提案手法によって達成できることが示された。
関連論文リスト
- A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting
Multiple Access [53.191806757701215]
本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。
コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。
数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-07-17T20:31:41Z) - Operational Support Estimator Networks [20.63209309898005]
本稿では,OSEN(Operational Support Estimator Networks)と呼ばれる新しい手法を提案する。
提案したOSENアプローチは、ディープネットワークを必要とせずに複雑な非線形性を学ぶことができる運用層で構成されている。
実験の結果,提案手法は計算効率を向上し,競合する手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-12T10:29:40Z) - Forward-Forward Algorithm for Hyperspectral Image Classification: A
Preliminary Study [0.0]
フォワードフォワードアルゴリズム(FFA)は、ネットワークパラメータを最適化するために局所良性関数を計算する。
本研究では,FFAのハイパースペクトル画像分類への応用について検討した。
論文 参考訳（メタデータ） (2023-07-01T05:39:28Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Representation Based Regression for Object Distance Estimation [27.507141762839208]
本研究では,検出された物体の距離を観測現場で予測する新しい手法を提案する。
提案手法は,最近提案されたCSEN(Convolutional Support Estimator Networks)を改良する。
論文 参考訳（メタデータ） (2021-06-27T11:45:54Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳（メタデータ） (2020-11-25T11:40:10Z) - MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。
形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文 参考訳（メタデータ） (2020-06-17T05:14:53Z) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳（メタデータ） (2020-03-31T16:54:22Z)
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。