論文の概要: Switchable Deep Beamformer

• arxiv url: http://arxiv.org/abs/2008.13646v2
• Date: Fri, 4 Sep 2020 11:48:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 06:25:48.497853
• Title: Switchable Deep Beamformer
• Title（参考訳）: スイッチング式ディープビームフォーマ
• Authors: Shujaat Khan, Jaeyoung Huh and Jong Chul Ye
• Abstract要約: 簡単なスイッチで1つのネットワークを用いて様々なタイプの出力を生成できるエムスイッチブル・ディープビームフォーマを提案する。 特に、スイッチはアダプティブインスタンス正規化(AdaIN)層を通じて実装され、AdaINコードを変更するだけで様々な出力を生成することができる。
• 参考スコア（独自算出の注目度）: 41.10604715789614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent proposals of deep beamformers using deep neural networks have attracted significant attention as computational efficient alternatives to adaptive and compressive beamformers. Moreover, deep beamformers are versatile in that image post-processing algorithms can be combined with the beamforming. Unfortunately, in the current technology, a separate beamformer should be trained and stored for each application, demanding significant scanner resources. To address this problem, here we propose a {\em switchable} deep beamformer that can produce various types of output such as DAS, speckle removal, deconvolution, etc., using a single network with a simple switch. In particular, the switch is implemented through Adaptive Instance Normalization (AdaIN) layers, so that various output can be generated by merely changing the AdaIN code. Experimental results using B-mode focused ultrasound confirm the flexibility and efficacy of the proposed methods for various applications.
• Abstract（参考訳）: ディープニューラルネットワークを用いたディープビームフォーマの最近の提案は、適応型および圧縮型ビームフォーマに対する計算効率の優れた代替として注目されている。 さらに、画像後処理アルゴリズムとビームフォーミングを組み合わせることができるため、ディープビームフォーマは多用途である。 残念ながら、現在の技術では、個別のビームフォーマをトレーニングし、各アプリケーションに保存し、重要なスキャナーリソースを必要とする。 そこで本研究では,単純なスイッチによる単一ネットワークを用いて,das,スペックル除去,デコンボリューションなど様々な種類の出力を生成可能な,"em switchable"ディープビームフォーマを提案する。 特に、スイッチはアダプティブインスタンス正規化(AdaIN)層を通じて実装され、AdaINコードを変更するだけで様々な出力を生成することができる。 Bモード集束超音波を用いた実験により, 提案手法の柔軟性と有効性を確認した。

関連論文リスト

• Salient Object Detection From Arbitrary Modalities [54.36876185535064]
  我々は、任意モードSOD(AM SOD)と呼ばれる新しいタイプのSODタスクを提案する。 モダリティ型とモダリティ数は任意または動的に変化する。 AM SOD法は,ロバストなサルエント物体検出のための入力モードの種類や数の変化に効果的に対処できる。
  論文  参考訳（メタデータ） (2024-05-06T11:02:26Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware Beamforming Network for Speech Separation [55.533789120204055]
  混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。 具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
  論文  参考訳（メタデータ） (2022-12-07T01:52:40Z)
• Flexible Unsupervised Learning for Massive MIMO Subarray Hybrid Beamforming [1.181206257787103]
  サブアレイハイブリッドビームフォーミングは、大規模システムのエネルギー効率を改善するための有望な技術である。 ニューラル化位相シフト器とCSIをサポートしながらハイブリッドビームフォーミングを設計するための新しい教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-10T16:55:00Z)
• Diffractive Interconnects: All-Optical Permutation Operation Using Diffractive Networks [18.22140098600563]
  本稿では、深層学習によって設計され、全光学的に置換演算を行う回折光学ネットワークを提案する。 提案した回折置換ネットワークは、無線ネットワークにおけるチャネルルーティングや相互接続パネルとして機能する可能性がある。
  論文  参考訳（メタデータ） (2022-06-21T07:25:06Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Exemplar Normalization for Learning Deep Representation [34.42934843556172]
  本研究は、初等正規化(EN)を提案することによって、新しい動的学習-正規化(L2N)問題について検討する。 ENは、異なる畳み込み層とディープネットワークの画像サンプルの異なる正規化方法を学ぶことができる。
  論文  参考訳（メタデータ） (2020-03-19T13:23:40Z)

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。