論文の概要: Gaussian kernel smoothing
- arxiv url: http://arxiv.org/abs/2007.09539v4
- Date: Mon, 29 Nov 2021 18:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 00:51:18.367970
- Title: Gaussian kernel smoothing
- Title(参考訳): ガウス核の平滑化
- Authors: Moo K. Chung
- Abstract要約: さらに、画像登録やパラメータ化などの画像処理により、さらにノイズを発生させることができる。
ガウス核の平滑化は、脳画像研究者の間で事実上の平滑化技術として現れている。
ガウス核の平滑化は、ガウスネスと同様に統計感度と統計力を増加させる。
- 参考スコア(独自算出の注目度): 2.480193314173464
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image acquisition and segmentation are likely to introduce noise. Further
image processing such as image registration and parameterization can introduce
additional noise. It is thus imperative to reduce noise measurements and boost
signal. In order to increase the signal-to-noise ratio (SNR) and smoothness of
data required for the subsequent random field theory based statistical
inference, some type of smoothing is necessary. Among many image smoothing
methods, Gaussian kernel smoothing has emerged as a de facto smoothing
technique among brain imaging researchers due to its simplicity in numerical
implementation. Gaussian kernel smoothing also increases statistical
sensitivity and statistical power as well as Gausianness. Gaussian kernel
smoothing can be viewed as weighted averaging of voxel values. Then from the
central limit theorem, the weighted average should be more Gaussian.
- Abstract(参考訳): 画像取得とセグメンテーションはノイズをもたらす可能性が高い。
画像登録やパラメータ化といったさらなる画像処理では、追加のノイズが発生する可能性がある。
したがって、ノイズ測定と信号の増強が不可欠である。
信号対雑音比(SNR)とその後の確率場理論に基づく統計的推測に必要なデータの平滑性を高めるためには,ある種の平滑化が必要である。
多くの画像平滑化手法の中で、ガウス核平滑化は数値的な実装の単純さから、脳画像研究者の間で事実上平滑化技術として登場した。
ガウス核の平滑化は、ガウスネスと同様に統計感度と統計力を高める。
ガウス核の平滑化はボクセル値の重み付け平均化と見なすことができる。
すると、中心極限定理から、重み付き平均はよりガウス的であるべきである。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳(メタデータ) (2024-11-21T10:26:17Z) - Certified Adversarial Robustness via Partition-based Randomized Smoothing [9.054540533394926]
我々は、ニューラルネットワークの信頼度を高めるために、Pixel Partitioningベースのランダム化平滑化(PPRS)手法を提案する。
提案するPPRSアルゴリズムは,加法ガウス雑音下での画像の可視性を向上させる。
論文 参考訳(メタデータ) (2024-09-20T14:41:47Z) - On the Posterior Distribution in Denoising: Application to Uncertainty
Quantification [28.233696029453775]
ツイーディの公式は、ガウスにおける後平均とデータ分布のスコアを結びつける。
画像の任意の所望領域に対する後部分布の主成分を効率的に計算する方法を示す。
高次モーメントテンソルを明示的に計算したり保存したりしないので,本手法は高速かつメモリ効率が高い。
論文 参考訳(メタデータ) (2023-09-24T10:07:40Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Target Aware Poisson-Gaussian Noise Parameters Estimation from Noisy
Images [0.0]
センサが捉えた生画像に対して,Poisson-Gaussianノイズモデルを用いる。
分散および累積統計量に基づく2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-21T17:53:56Z) - FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise
Removal [20.043152870504738]
本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。
これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。
提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
論文 参考訳(メタデータ) (2021-09-18T08:35:45Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳(メタデータ) (2021-01-21T04:48:15Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-11-18T16:40:45Z) - Statistical Analysis of Signal-Dependent Noise: Application in Blind
Localization of Image Splicing Forgery [20.533239616846874]
本研究では,信号依存ノイズ(SDN)を局所化タスクのスプライシングに適用する。
最大後方マルコフランダムフィールド(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。
実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。
論文 参考訳(メタデータ) (2020-10-30T11:53:53Z) - Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。
ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。
分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
論文 参考訳(メタデータ) (2020-06-15T18:31:02Z) - Understanding Integrated Gradients with SmoothTaylor for Deep Neural
Network Attribution [70.78655569298923]
ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。
理解しやすさに影響を及ぼす説明のうるささに悩まされる。
SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
論文 参考訳(メタデータ) (2020-04-22T10:43:19Z)
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。