論文の概要: Approximating the Hotelling Observer with Autoencoder-Learned Efficient
Channels for Binary Signal Detection Tasks
- arxiv url: http://arxiv.org/abs/2003.02321v1
- Date: Wed, 4 Mar 2020 20:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 13:43:08.826199
- Title: Approximating the Hotelling Observer with Autoencoder-Learned Efficient
Channels for Binary Signal Detection Tasks
- Title（参考訳）: 自動エンコーダ学習による二元信号検出のためのホテルオブザーバの近似
- Authors: Jason L. Granstedt and Weimin Zhou and Mark A. Anastasio
- Abstract要約: 画像品質(IQ)の客観的評価は、医用画像システムの解析と最適化のために提唱されている。
オートエンコーダ(AE)を用いたチャネル学習手法を提案する。
AEは、次元を減らすためにデータの簡潔な表現を学ぶために頻繁に使用される、人工知能(ANN)の一種である。
- 参考スコア（独自算出の注目度）: 12.521662223741671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective assessment of image quality (IQ) has been advocated for the
analysis and optimization of medical imaging systems. One method of obtaining
such IQ metrics is through a mathematical observer. The Bayesian ideal observer
is optimal by definition for signal detection tasks, but is frequently both
intractable and non-linear. As an alternative, linear observers are sometimes
used for task-based image quality assessment. The optimal linear observer is
the Hotelling observer (HO). The computational cost of calculating the HO
increases with image size, making a reduction in the dimensionality of the data
desirable. Channelized methods have become popular for this purpose, and many
competing methods are available for computing efficient channels. In this work,
a novel method for learning channels using an autoencoder (AE) is presented.
AEs are a type of artificial neural network (ANN) that are frequently employed
to learn concise representations of data to reduce dimensionality. Modifying
the traditional AE loss function to focus on task-relevant information permits
the development of efficient AE-channels. These AE-channels were trained and
tested on a variety of signal shapes and backgrounds to evaluate their
performance. In the experiments, the AE-learned channels were competitive with
and frequently outperformed other state-of-the-art methods for approximating
the HO. The performance gains were greatest for the datasets with a small
number of training images and noisy estimates of the signal image. Overall, AEs
are demonstrated to be competitive with state-of-the-art methods for generating
efficient channels for the HO and can have superior performance on small
datasets.
- Abstract（参考訳）: 画像品質の客観的評価(iq)は医用画像システムの分析と最適化のために提唱されている。
そのような iq メトリックを得る方法の1つは、数学的観測者によるものである。
ベイズイデアルオブザーバは信号検出タスクの定義によって最適であるが、しばしば難解かつ非線形である。
代替として、線形オブザーバはタスクベースの画像品質評価に使用されることがある。
最適線形観測者はhotelling observer (ho) である。
HOを計算する計算コストは画像サイズとともに増大し、データの次元性を低下させることが望ましい。
チャネル化手法はこの目的のために人気を博し、効率的なチャネルの計算には多くの競合する方法が利用できる。
本研究では,オートエンコーダ(AE)を用いたチャネル学習手法を提案する。
AEは、次元を減らすためにデータの簡潔な表現を学ぶために頻繁に使用される、人工知能(ANN)の一種である。
タスク関連情報にフォーカスするために従来のAE損失関数を変更することで、効率的なAEチャネルの開発が可能になる。
これらのAEチャネルは、様々な信号の形状と背景を訓練し、その性能を評価する。
実験では、AEを学習したチャネルはHOを近似する他の最先端の手法と競合し、しばしば性能を上回った。
トレーニング画像の数が少なく,信号画像のノイズの多い推定値を持つデータセットでは,性能向上が最多であった。
全体として、AEはHOのための効率的なチャネルを生成する最先端の手法と競合することが示されており、小さなデータセットでは優れたパフォーマンスが得られる。
関連論文リスト
- Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Differentiable Frequency-based Disentanglement for Aerial Video Action
Recognition [56.91538445510214]
ビデオにおける人間の行動認識のための学習アルゴリズムを提案する。
我々のアプローチは、主に斜めに配置されたダイナミックカメラから取得されるUAVビデオのために設計されている。
我々はUAV HumanデータセットとNEC Droneデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-09-15T22:16:52Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - CONet: Channel Optimization for Convolutional Neural Networks [33.58529066005248]
畳み込みニューラルネットワーク(CNN)におけるチャネルサイズ最適化の検討
ネットワーク層をまたいだCNNのチャネルサイズを自動的に最適化する,効率的な動的スケーリングアルゴリズムであるConetを導入します。
CIFAR10/100およびImageNetデータセット上で実験を行い、ConetがResNet、DARTS、DARTS+空間で探索された効率的で正確なアーキテクチャを見つけることができることを示す。
論文 参考訳（メタデータ） (2021-08-15T21:48:25Z) - Learning Calibrated-Guidance for Object Detection in Aerial Images [27.922626207443994]
特徴変換器方式でチャネル通信を強化するキャリブレーション・ガイダンス方式を提案する。
私たちのCGは、CG-Netという名前の深いニューラルネットワークに接続することができます。
論文 参考訳（メタデータ） (2021-03-21T13:55:46Z) - End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。
我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。
この一般的なアプローチは、2つの異なるEEGタスクで評価される。
論文 参考訳（メタデータ） (2021-02-11T13:44:07Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - Video Anomaly Detection Using Pre-Trained Deep Convolutional Neural Nets
and Context Mining [2.0646127669654835]
本稿では,事前学習した畳み込みニューラルネットモデルを用いて特徴抽出とコンテキストマイニングを行う方法について述べる。
我々は,高レベルの特徴から文脈特性を導出し,ビデオ異常検出法の性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-10-06T00:26:14Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳（メタデータ） (2020-08-19T13:13:01Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。