論文の概要: Small-brain neural networks rapidly solve inverse problems with vortex
Fourier encoders
- arxiv url: http://arxiv.org/abs/2005.07682v1
- Date: Fri, 15 May 2020 17:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:46:29.242806
- Title: Small-brain neural networks rapidly solve inverse problems with vortex
Fourier encoders
- Title(参考訳): 小脳ニューラルネットワークは渦フーリエエンコーダによる逆問題を高速に解く
- Authors: Baurzhan Muminov and Luat T. Vuong
- Abstract要約: 本稿では, レンズレットアレイを用いた渦位相変換を導入し, 浅層, 密度, 細脳のニューラルネットを高速・低照度撮像に利用した。
渦空間符号化では、小さな脳がランダムな符号化方式で達成した画像の5倍から20倍の速度で画像を分解するように訓練される。
我々は、15Wの中央処理ユニット上で、数千フレーム/秒の速度で低照度フラックスで照らされたMNISTファッションオブジェクトを再構成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a vortex phase transform with a lenslet-array to accompany
shallow, dense, ``small-brain'' neural networks for high-speed and low-light
imaging. Our single-shot ptychographic approach exploits the coherent
diffraction, compact representation, and edge enhancement of Fourier-tranformed
spiral-phase gradients. With vortex spatial encoding, a small brain is trained
to deconvolve images at rates 5-20 times faster than those achieved with random
encoding schemes, where greater advantages are gained in the presence of noise.
Once trained, the small brain reconstructs an object from intensity-only data,
solving an inverse mapping without performing iterations on each image and
without deep-learning schemes. With this hybrid, optical-digital, vortex
Fourier encoded, small-brain scheme, we reconstruct MNIST Fashion objects
illuminated with low-light flux (5 nJ/cm$^2$) at a rate of several thousand
frames per second on a 15 W central processing unit, two orders of magnitude
faster than convolutional neural networks.
- Abstract(参考訳): 本稿では, レンズレットアレイを用いた渦位相変換を導入し, 高速・低照度撮像のための「小脳」ニューラルネットワークを提案する。
本手法はフーリエ変換したスパイラル位相勾配のコヒーレント回折,コンパクト表現,エッジ強調を利用する。
渦空間符号化(vortex spatial encoding)では、小さな脳はランダム符号化方式で達成された画像よりも5~20倍高速で画像をデコンボレーションするように訓練される。
トレーニングが完了すると、小さな脳は、強度のみのデータからオブジェクトを再構成し、各画像の反復を行わず、ディープラーニングのスキームも行わずに逆マッピングを解く。
このハイブリッド・光デジタル・ボルテックス・フーリエ符号化・小型ブレイン方式により、15W中央処理ユニットで毎秒数千フレームの低光束(5nJ/cm$^2$)で照らされたMNISTファッションオブジェクトを再構成する。
関連論文リスト
- Sign-Coded Exposure Sensing for Noise-Robust High-Speed Imaging [16.58669052286989]
画素レベル符号符号化露光を用いた高速フレームの光学的圧縮を提案する。
ウォルシュ関数は、高速フレーム再構築時にノイズが増幅されないようにする。
ハードウェアプロトタイプは、周囲の光のみに照らされた移動シーンの4kHzフレームの再構成を実証した。
論文 参考訳(メタデータ) (2023-05-05T01:03:37Z) - Time-lapse image classification using a diffractive neural network [0.0]
回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。
CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。
これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
論文 参考訳(メタデータ) (2022-08-23T08:16:30Z) - PREF: Phasorial Embedding Fields for Compact Neural Representations [54.44527545923917]
本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。
実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
論文 参考訳(メタデータ) (2022-05-26T17:43:03Z) - Instant Neural Graphics Primitives with a Multiresolution Hash Encoding [67.33850633281803]
品質を犠牲にすることなく、より小さなネットワークを使用できる汎用的な新しい入力符号化を提案する。
小さなニューラルネットワークは、勾配降下によって値が最適化された訓練可能な特徴ベクトルの多分解能ハッシュテーブルによって拡張される。
数桁の高速化を実現し、高品質なニューラルネットワークプリミティブを数秒でトレーニングすることができる。
論文 参考訳(メタデータ) (2022-01-16T07:22:47Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳(メタデータ) (2021-12-31T11:56:01Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-18T00:21:17Z) - Dual-view Snapshot Compressive Imaging via Optical Flow Aided Recurrent
Neural Network [14.796204921975733]
デュアルビュースナップショット圧縮イメージング(SCI)は、2つの視野(FoV)からのビデオを1つのスナップショットでキャプチャすることを目的としている。
既存のモデルベースの復号アルゴリズムでは個々のシーンを再構築することは困難である。
本稿では,2重ビデオSCIシステムのための光フロー支援型リカレントニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T14:24:44Z) - Spatially-Adaptive Pixelwise Networks for Fast Image Translation [57.359250882770525]
高速かつ効率的な画像-画像変換を目的とした新しいジェネレータアーキテクチャを提案する。
私たちはピクセルワイズネットワークを使用します。つまり、各ピクセルは他のピクセルとは独立して処理されます。
私たちのモデルは最先端のベースラインよりも最大18倍高速です。
論文 参考訳(メタデータ) (2020-12-05T10:02:03Z) - 11 TeraFLOPs per second photonic convolutional accelerator for deep
learning optical neural networks [0.0]
10 TeraFLOPS(1秒あたりの浮動小数点演算)を超える全光ベクトル畳み込み加速器を実証する。
次に、同じハードウェアを用いて、10個の出力ニューロンを持つ深部光学CNNを逐次形成し、900ピクセルの手書き数字画像と88%の精度で完全な10桁の認識を成功させる。
このアプローチはスケーラブルで、無人車やリアルタイムビデオ認識のような要求のあるアプリケーションのために、より複雑なネットワークに対してトレーニング可能である。
論文 参考訳(メタデータ) (2020-11-14T21:24:01Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳(メタデータ) (2020-06-08T05:15:17Z) - u-net CNN based fourier ptychography [5.46367622374939]
本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。
実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
論文 参考訳(メタデータ) (2020-03-16T22:48:44Z)
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。