論文の概要: LSHR-Net: a hardware-friendly solution for high-resolution computational
imaging using a mixed-weights neural network
- arxiv url: http://arxiv.org/abs/2004.13173v1
- Date: Mon, 27 Apr 2020 20:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:12:42.241832
- Title: LSHR-Net: a hardware-friendly solution for high-resolution computational
imaging using a mixed-weights neural network
- Title(参考訳): LSHR-Net:混合重み付けニューラルネットワークを用いた高分解能計算イメージングのためのハードウェアフレンドリなソリューション
- Authors: Fangliang Bai, Jinchao Liu, Xiaojuan Liu, Margarita Osadchy, Chao
Wang, Stuart J. Gibson
- Abstract要約: 本稿では,混合重み付けニューラルネットワークを用いた新しいハードウェアフレンドリな計算手法を提案する。
特に、学習された二分重センシングパターンはサンプリング装置に合わせて調整される。
提案手法はベンチマークデータセットで検証され, 再現精度が向上した。
- 参考スコア(独自算出の注目度): 5.475867050068397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work showed neural-network-based approaches to reconstructing images
from compressively sensed measurements offer significant improvements in
accuracy and signal compression. Such methods can dramatically boost the
capability of computational imaging hardware. However, to date, there have been
two major drawbacks: (1) the high-precision real-valued sensing patterns
proposed in the majority of existing works can prove problematic when used with
computational imaging hardware such as a digital micromirror sampling device
and (2) the network structures for image reconstruction involve intensive
computation, which is also not suitable for hardware deployment. To address
these problems, we propose a novel hardware-friendly solution based on
mixed-weights neural networks for computational imaging. In particular, learned
binary-weight sensing patterns are tailored to the sampling device. Moreover,
we proposed a recursive network structure for low-resolution image sampling and
high-resolution reconstruction scheme. It reduces both the required number of
measurements and reconstruction computation by operating convolution on small
intermediate feature maps. The recursive structure further reduced the model
size, making the network more computationally efficient when deployed with the
hardware. Our method has been validated on benchmark datasets and achieved the
state of the art reconstruction accuracy. We tested our proposed network in
conjunction with a proof-of-concept hardware setup.
- Abstract(参考訳): 近年の研究では、圧縮された測定値から画像を再構成するニューラルネットワークに基づくアプローチが、精度と信号圧縮を大幅に改善することを示した。
このような手法は、計算画像ハードウェアの能力を劇的に向上させることができる。
しかし,(1)既存の作品で提案されている高精度な実数値センシングパターンは,デジタルマイクロミラーサンプリング装置などの計算画像ハードウェアでは問題となりうること,(2)画像再構成のためのネットワーク構造には集中的な計算が必要であり,ハードウェアの展開にも適さないこと,の2つの大きな欠点がある。
これらの問題に対処するために,混合重み付きニューラルネットワークを用いた新しいハードウェアフレンドリな計算手法を提案する。
特に、学習した二分重センシングパターンをサンプリング装置に調整する。
さらに,低解像度画像サンプリングと高分解能再構成のための再帰的ネットワーク構造を提案する。
小さな中間特徴写像上の畳み込みを演算することで、必要な測定回数と再構成計算の両方を削減する。
再帰構造により、モデルのサイズはさらに小さくなり、ハードウェアでデプロイする際のネットワークの計算効率が向上した。
本手法は,ベンチマークデータセット上で検証され,再現精度が向上した。
提案するネットワークを概念実証ハードウェアのセットアップと組み合わせてテストした。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T19:02:54Z) - JSRNN: Joint Sampling and Reconstruction Neural Networks for High
Quality Image Compressed Sensing [8.902545322578925]
提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。
再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。
このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-11-11T02:20:30Z) - Leveraging Image Complexity in Macro-Level Neural Network Design for
Medical Image Segmentation [3.974175960216864]
画像の複雑さは、与えられたデータセットに最適なものを選択するためのガイドラインとして利用できることを示す。
高複雑性データセットの場合、元のイメージ上で実行される浅いネットワークは、ダウンサンプリングされたイメージ上で実行されるディープネットワークよりもセグメンテーション結果が優れている可能性がある。
論文 参考訳(メタデータ) (2021-12-21T09:49:47Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - SDWNet: A Straight Dilated Network with Wavelet Transformation for Image
Deblurring [23.86692375792203]
画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。
我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。
本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
論文 参考訳(メタデータ) (2021-10-12T07:58:10Z) - Self-supervised Neural Networks for Spectral Snapshot Compressive
Imaging [15.616674529295366]
我々は、訓練されていないニューラルネットワークを用いて、スナップショット圧縮画像(SCI)の再構成問題を解決することを検討する。
本稿では,DIP(Deep Image Priors)やディープデコーダ(Deep Decoder)といった未学習のニューラルネットワークにヒントを得て,DIPをプラグアンドプレイシステムに統合して,スペクトルSCI再構成のための自己教師型ネットワークを構築する。
論文 参考訳(メタデータ) (2021-08-28T14:17:38Z) - Dynamic Resolution Network [40.64164953983429]
現代のCNNの入力解像度の冗長性については、完全には研究されていない。
本稿では,各サンプルに基づいて動的に分解能を決定できる新しい動的分解能ネットワーク(DRNet)を提案する。
DRNetは34%の精度で同様の性能を実現しているが、ImageNetのResNet-50に比べて10%の精度で1.4%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-06-05T13:48:33Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳(メタデータ) (2021-03-15T12:54:26Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳(メタデータ) (2020-08-26T17:59:36Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳(メタデータ) (2020-05-07T15:57:25Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳(メタデータ) (2020-03-31T16:47:20Z)
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。