Fugu-MT 論文翻訳(概要): Convolutional Nonlinear Dictionary with Cascaded Structure Filter Banks

論文の概要: Convolutional Nonlinear Dictionary with Cascaded Structure Filter Banks

arxiv url: http://arxiv.org/abs/2009.00831v1
Date: Wed, 2 Sep 2020 05:40:01 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 19:09:45.701227
Title: Convolutional Nonlinear Dictionary with Cascaded Structure Filter Banks
Title（参考訳）: カスケード構造フィルタバンクを用いた畳み込み非線形辞書
Authors: Ruiki Kobayashi, Shogo Muramatsu
Abstract要約: 本研究では,カスケードフィルタバンクを用いた画像復元のための畳み込み非線形辞書(CNLD)を提案する。復元性能を維持しながらパラメータ数を削減できることが実証された。
参考スコア（独自算出の注目度）: 2.1466000613898983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study proposes a convolutional nonlinear dictionary (CNLD) for image restoration using cascaded filter banks. Generally, convolutional neural networks (CNN) demonstrate their practicality in image restoration applications; however, existing CNNs are constructed without considering the relationship among atomic images (convolution kernels). As a result, there remains room for discussing the role of design spaces. To provide a framework for constructing an effective and structured convolutional network, this study proposes the CNLD. The backpropagation learning procedure is derived from certain image restoration experiments, and thereby the significance of CNLD is verified. It is demonstrated that the number of parameters is reduced while preserving the restoration performance.
Abstract（参考訳）: 本研究では,カスケードフィルタバンクを用いた画像復元のための畳み込み非線形辞書(CNLD)を提案する。一般に、畳み込みニューラルネットワーク(CNN)は画像復元アプリケーションにおいてその実用性を実証するが、既存のCNNは原子画像(畳み込みカーネル)の関係を考慮せずに構築される。その結果、デザインスペースの役割について議論する余地が残っている。効率的かつ構造化された畳み込みネットワークを構築するためのフレームワークを提案する。バックプロパゲーション学習手順は、特定の画像復元実験から導出され、CNLDの重要性が検証される。復元性能を維持しながらパラメータ数を減少させることを示した。

関連論文リスト

Defending Spiking Neural Networks against Adversarial Attacks through Image Purification [20.492531851480784]
Spiking Neural Networks(SNN)は、神経科学と機械学習のギャップを埋めることを目的としている。 SNNは畳み込みニューラルネットワークのような敵の攻撃に弱い。本稿では,SNNの堅牢性を高めるための生物学的にインスパイアされた手法を提案する。
論文参考訳（メタデータ） (2024-04-26T00:57:06Z)
Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文参考訳（メタデータ） (2023-07-20T16:00:19Z)
Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。本手法は既存の手法に対して最先端の手法を実現する。
論文参考訳（メタデータ） (2022-12-03T14:44:17Z)
Residual Back Projection With Untrained Neural Networks [1.2707050104493216]
CT(Computed tomography)における反復的再構成(IR)の枠組みについて述べる。我々のフレームワークは、この構造情報をDIP(Deep Image Prior)として組み込んでいる。対象関数を最小限に抑え,高精度な再構成を実現するために,未学習のU-netと新たな後方投射を併用して提案する。
論文参考訳（メタデータ） (2022-10-26T01:58:09Z)
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)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
Self-Organized Operational Neural Networks for Severe Image Restoration Problems [25.838282412957675]
畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。画像復元のための自己組織型ONN(Self-ONN)を提案する。
論文参考訳（メタデータ） (2020-08-29T02:19:41Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)
Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文参考訳（メタデータ） (2020-05-20T11:11:47Z)
CSNNs: Unsupervised, Backpropagation-free Convolutional Neural Networks for Representation Learning [0.0]
この作業は、畳み込みニューラルネットワーク(CNN)と、自己組織化マップ(SOM)とHebbian Learningによるクラスタリングを組み合わせて、畳み込み自己組織化ニューラルネットワーク(CSNN)の構築ブロックを提案する。提案手法は,従来のCNNからの畳み込みレイヤの学習をSOMの競合的学習手順に置き換えるとともに,各レイヤ間の局所マスクをヘビアン様の学習規則で同時に学習することにより,クラスタリングによってフィルタが学習されるときの変動要因の解消を克服する。
論文参考訳（メタデータ） (2020-01-28T14:57:39Z)
DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR Image Reconstruction [1.376408511310322]
微細構造を復元するU-Netアーキテクチャの修正を提案する。提案するネットワークはウェーブレットパケット変換ベースデコーダCNNであり,CNNと呼ばれる残差学習を行う。また、WCNNとk空間データ忠実度ユニットのカスケードで構成されるディープ・カスケード・フレームワーク(DC-WCNN)を提案する。
論文参考訳（メタデータ） (2020-01-08T07:04:22Z)

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。