論文の概要: AMPA-Net: Optimization-Inspired Attention Neural Network for Deep Compressed Sensing

• arxiv url: http://arxiv.org/abs/2010.06907v6
• Date: Mon, 16 Nov 2020 09:57:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 14:13:02.075296
• Title: AMPA-Net: Optimization-Inspired Attention Neural Network for Deep Compressed Sensing
• Title（参考訳）: AMPA-Net:Deep Compressed Sensingのための最適化型注意ニューラルネットワーク
• Authors: Nanyu Li, Charles C. Zhou
• Abstract要約: 本稿ではAMP-Netと呼ばれる新しい最適化手法を提案する。 AMP-Netは、AMPアルゴリズムとニューラルネットワークの融合を実現する。 4つの標準CS再構成ベンチマークデータセットに対するAMP-NetとAMPA-Netの有効性を示す。
• 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: Compressed sensing (CS) is a challenging problem in image processing due to reconstructing an almost complete image from a limited measurement. To achieve fast and accurate CS reconstruction, we synthesize the advantages of two well-known methods (neural network and optimization algorithm) to propose a novel optimization inspired neural network which dubbed AMP-Net. AMP-Net realizes the fusion of the Approximate Message Passing (AMP) algorithm and neural network. All of its parameters are learned automatically. Furthermore, we propose an AMPA-Net which uses three attention networks to improve the representation ability of AMP-Net. Finally, We demonstrate the effectiveness of AMP-Net and AMPA-Net on four standard CS reconstruction benchmark data sets. Our code is available on https://github.com/puallee/AMPA-Net.
• Abstract（参考訳）: 圧縮センシング(CS)は、限られた測定値からほぼ完全な画像の再構成を行うため、画像処理において難しい問題である。 高速かつ正確なCS再構成を実現するため、AMP-Netと呼ばれる新しい最適化手法を提案するために、よく知られた2つの手法(ニューラルネットワークと最適化アルゴリズム)の利点を合成する。 amp-netは近似メッセージパッシング(amp)アルゴリズムとニューラルネットワークの融合を実現する。 すべてのパラメータは自動的に学習される。 さらに,3つの注意ネットワークを用いてAMP-Netの表現能力を向上させるAMPA-Netを提案する。 最後に, amp-net と ampa-net の4つの標準csレコンストラクションベンチマークデータセットにおける有効性を示す。 私たちのコードはhttps://github.com/puallee/AMPA-Net.comで利用可能です。

関連論文リスト

• Deep Network for Image Compressed Sensing Coding Using Local Structural Sampling [37.10939114542612]
  局所構造サンプリング(CSCNet)を用いた新しいCNNベースの画像CS符号化フレームワークを提案する。 提案するフレームワークでは、GRMの代わりに、新しい局所構造サンプリング行列が最初に開発された。 高相関の計測結果が生成され、サードパーティ画像によって最終ビットストリームに符号化される。
  論文  参考訳（メタデータ） (2024-02-29T12:43:28Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• DeepReShape: Redesigning Neural Networks for Efficient Private Inference [3.7802450241986945]
  近年の研究では、PIのFLOPは無視できず、高いレイテンシのペナルティを負うことが示されている。 我々は、PIの制約下でニューラルネットワークアーキテクチャを最適化するDeepReShapeを開発した。
  論文  参考訳（メタデータ） (2023-04-20T18:27:02Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• D3C2-Net: Dual-Domain Deep Convolutional Coding Network for Compressive Sensing [9.014593915305069]
  深部展開ネットワーク(DUN)は圧縮センシング(CS)において顕著な成功を収めた 提案したフレームワークをディープニューラルネットワークに展開することにより、新たなデュアルドメインディープ畳み込み符号化ネットワーク(D3C2-Net)をさらに設計する。 自然画像とMR画像の実験により、我々のD3C2-Netは、他の最先端技術よりも高い性能と精度・複雑さのトレードオフを達成することが示された。
  論文  参考訳（メタデータ） (2022-07-27T14:52:32Z)
• i-SpaSP: Structured Neural Pruning via Sparse Signal Recovery [11.119895959906085]
  ニューラルネットワークのための新しい構造化プルーニングアルゴリズム - i-SpaSPと呼ばれる反復型スパース構造化プルーニングを提案する。 i-SpaSPはネットワーク内の重要なパラメータ群を識別することで動作し、プルーニングされたネットワーク出力と高密度なネットワーク出力の残差に最も寄与する。 高い性能のサブネットワークを発見し, 証明可能なベースライン手法のプルーニング効率を, 数桁の精度で向上させることが示されている。
  論文  参考訳（メタデータ） (2021-12-07T05:26:45Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• CondenseNet V2: Sparse Feature Reactivation for Deep Networks [87.38447745642479]
  高密度接続によるディープネットワークの機能再利用は、高い計算効率を達成する効果的な方法である。 スパース機能再活性化(SFR)と呼ばれる代替アプローチを提案し、再利用機能の有用性を積極的に高めることを目指しています。 提案手法は画像分類(ImageNet, CIFAR)とオブジェクト検出(MSCOCO)において,理論的効率と実用的速度の両面で有望な性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-04-09T14:12:43Z)
• AMP-Net: Denoising based Deep Unfolding for Compressive Image Sensing [44.66684590557732]
  画像CS問題を解決するためにAMP-Netと呼ばれる深層展開モデルを提案する。 AMP-Netは、高い再構成速度と少数のネットワークパラメータを持つ他の最先端手法よりも、再構築精度が良い。
  論文  参考訳（メタデータ） (2020-04-21T15:04:17Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。