論文の概要: Image Classification in the Dark using Quanta Image Sensors

• arxiv url: http://arxiv.org/abs/2006.02026v3
• Date: Thu, 16 Jul 2020 20:22:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 18:31:09.909427
• Title: Image Classification in the Dark using Quanta Image Sensors
• Title（参考訳）: 量子イメージセンサを用いた暗黒領域の画像分類
• Authors: Abhiram Gnanasambandam and Stanley H. Chan
• Abstract要約: 我々はQuanta Image Sensors (QIS) を用いた新しい低照度画像分類ソリューションを提案する。 QISは、画素サイズや空間分解能を損なうことなく光子計数能力を有する新しいタイプの画像センサである。 学生・教師の学習では,1ピクセル以下の光子レベルの画像分類が可能であることを示す。
• 参考スコア（独自算出の注目度）: 17.931673459050792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art image classifiers are trained and tested using well-illuminated images. These images are typically captured by CMOS image sensors with at least tens of photons per pixel. However, in dark environments when the photon flux is low, image classification becomes difficult because the measured signal is suppressed by noise. In this paper, we present a new low-light image classification solution using Quanta Image Sensors (QIS). QIS are a new type of image sensors that possess photon counting ability without compromising on pixel size and spatial resolution. Numerous studies over the past decade have demonstrated the feasibility of QIS for low-light imaging, but their usage for image classification has not been studied. This paper fills the gap by presenting a student-teacher learning scheme which allows us to classify the noisy QIS raw data. We show that with student-teacher learning, we are able to achieve image classification at a photon level of one photon per pixel or lower. Experimental results verify the effectiveness of the proposed method compared to existing solutions.
• Abstract（参考訳）: 最先端の画像分類器は、よく照らされた画像を用いて訓練され、テストされる。 これらの画像は通常、cmosイメージセンサーによって撮影され、1ピクセルに少なくとも10光子がある。 しかし、光子フラックスが低い暗黒環境では、計測信号がノイズによって抑制されるため、画像分類が困難になる。 本稿では,Quanta Image Sensors (QIS) を用いた新しい低照度画像分類法を提案する。 QISは、画素サイズと空間解像度を妥協することなく光子計数能力を有する新しいタイプの画像センサである。 過去10年間の多くの研究が低照度撮像におけるQISの可能性を示しているが、画像分類には使用されていない。 本稿では,うるさいqis生データを分類できる学生教師学習方式を提案することで,そのギャップを埋める。 学生・教師の学習では,1ピクセル以下の光子レベルの画像分類が可能であることを示す。 実験により,提案手法の有効性を既存手法と比較して検証した。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Image Denoising and the Generative Accumulation of Photons [63.14988413396991]
  我々は,次の光子がどこに到着できるかを予測するために訓練されたネットワークが,実際に最小平均二乗誤差(MMSE)を解くことを示している。 自己監督型認知のための新しい戦略を提案する。 本稿では,画像に少量の光子を反復的にサンプリングし,付加することにより,可能な解の後方からサンプリングする新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T08:03:32Z)
• Towards Robust Low Light Image Enhancement [6.85316573653194]
  野生で発見された暗い画像から明るい画像を作るという課題について検討する。 画像は薄暗い環境で撮影されているため暗く、量子化やセンサノイズによる色の変化に悩まされている。 教師付き学習手法を用いて、画像パイプラインの簡単なシミュレーションを頼りに、トレーニングやテストに使えるデータセットを生成する。
  論文  参考訳（メタデータ） (2022-05-17T20:14:18Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• A photosensor employing data-driven binning for ultrafast image recognition [0.0]
  ピクセルビンニング(Pixel binning)は、光学画像の取得と分光において広く用いられる技術である。 ここでは、センサー要素の大部分を1つのスーパーピクセルに組み合わせることで、バイナリの概念を限界まで押し上げる。 与えられたパターン認識タスクに対しては、機械学習アルゴリズムを用いてトレーニングデータから最適な形状を決定する。
  論文  参考訳（メタデータ） (2021-11-20T15:38:39Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• HDR Imaging with Quanta Image Sensors: Theoretical Limits and Optimal Reconstruction [17.931673459050792]
  本稿では,HDRイメージングのための新しい計算撮影手法を提案する。 我々は、QIS(Quanta Image Sensor)を用いて、空間時間分解能をビット深度で交換する。 単一ビットおよび多ビットQISに対する最適再構成アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-11-06T22:08:03Z)
• Dynamic Low-light Imaging with Quanta Image Sensors [79.28256402267034]
  本稿では,Quanta Image Sensors (QIS) を用いた新しい画像再構成アルゴリズムを提案する。 動的シーンは,光子レベルが1ピクセル当たり1光子である場合,フレームのバーストから再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-16T20:29:52Z)

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。