Fugu-MT 論文翻訳(概要): Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm

論文の概要: Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm

arxiv url: http://arxiv.org/abs/2004.08345v2
Date: Wed, 17 Jun 2020 17:58:48 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 13:43:56.194480
Title: Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm
Title（参考訳）: エッジ保存型CNN SAR除種アルゴリズムの複雑さ解析
Authors: Sergio Vitale, Giampaolo Ferraioli, Vito Pascazio
Abstract要約: 我々は, 畳み込みニューラルネットワークの複雑化によるSARの切り離し効果を生かした。より深いネットワークは、シミュレートされた画像と実際の画像の両方でより一般化される。
参考スコア（独自算出の注目度）: 1.933681537640272
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: SAR images are affected by multiplicative noise that impairs their interpretations. In the last decades several methods for SAR denoising have been proposed and in the last years great attention has moved towards deep learning based solutions. Based on our last proposed convolutional neural network for SAR despeckling, here we exploit the effect of the complexity of the network. More precisely, once a dataset has been fixed, we carry out an analysis of the network performance with respect to the number of layers and numbers of features the network is composed of. Evaluation on simulated and real data are carried out. The results show that deeper networks better generalize on both simulated and real images.
Abstract（参考訳）: SAR画像は、解釈を損なう乗法ノイズの影響を受けている。過去数十年間,sarのデノイジング手法がいくつか提案され,近年ではディープラーニングベースのソリューションに注目が集まっている。前回提案したSAR除種のための畳み込みニューラルネットワークに基づいて、このネットワークの複雑さの効果を利用する。より正確には、データセットが修正されると、ネットワークを構成するレイヤの数と機能数に関して、ネットワーク性能の分析を行う。シミュレーションデータおよび実データの評価を行う。その結果、より深いネットワークはシミュレーション画像と実画像の両方でより一般化された。

関連論文リスト

Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文参考訳（メタデータ） (2022-09-02T08:06:58Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2022-01-23T20:09:01Z)
New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-28T18:10:26Z)
ADMM-DAD net: a deep unfolding network for analysis compressed sensing [20.88999913266683]
圧縮センシング解析のためのADMMアルゴリズムに基づく新しい深部展開ニューラルネットワークを提案する。提案するネットワークは、スパーシフィケーションのための冗長解析演算子を共同で学習し、関心のシグナルを再構成する。
論文参考訳（メタデータ） (2021-10-13T18:56:59Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
SGD-Net: Efficient Model-Based Deep Learning with Theoretical Guarantees [35.01173046356158]
深層展開網の効率性向上のための新しい手法としてSGD-Netを提案する。理論的解析により,SGD-Netはバッチの深部展開ネットワークを任意の精度で近似できることがわかった。強度回折トモグラフィとスパースビュー計算トモグラフィの数値結果は、SGD-Netがトレーニングとテストの複雑さのほんの一部でバッチネットワークのパフォーマンスに一致できることを示しています。
論文参考訳（メタデータ） (2021-01-22T23:33:11Z)
A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文参考訳（メタデータ） (2020-10-02T11:40:09Z)
ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文参考訳（メタデータ） (2020-06-28T23:09:27Z)

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。