論文の概要: SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using Stein's Unbiased Risk Estimate

• arxiv url: http://arxiv.org/abs/2010.13214v2
• Date: Tue, 20 Apr 2021 03:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 05:07:36.308665
• Title: SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using Stein's Unbiased Risk Estimate
• Title（参考訳）: SUREMap: スタインの異常リスク推定を用いたCNN画像再構成の不確かさ予測
• Authors: Ruangrawee Kitichotkul, Christopher A. Metzler, Frank Ong, Gordon Wetzstein
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、コンピュータ画像再構成問題を解決する強力なツールとして登場した。 CNNはブラックボックスを理解するのが難しい。 この制限は、医療画像のような安全クリティカルな用途での利用にとって大きな障壁となる。
• 参考スコア（独自算出の注目度）: 51.67813146731196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNN) have emerged as a powerful tool for solving computational imaging reconstruction problems. However, CNNs are generally difficult-to-understand black-boxes. Accordingly, it is challenging to know when they will work and, more importantly, when they will fail. This limitation is a major barrier to their use in safety-critical applications like medical imaging: Is that blob in the reconstruction an artifact or a tumor? In this work we use Stein's unbiased risk estimate (SURE) to develop per-pixel confidence intervals, in the form of heatmaps, for compressive sensing reconstruction using the approximate message passing (AMP) framework with CNN-based denoisers. These heatmaps tell end-users how much to trust an image formed by a CNN, which could greatly improve the utility of CNNs in various computational imaging applications.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)は、計算画像再構成問題を解決する強力なツールとして登場した。 しかし、cnnは一般に理解が難しいブラックボックスである。 それゆえ、彼らがいつ働くのか、そしてもっと重要なことに、いつ失敗するのかを知ることは困難である。 この制限は、医療画像のような安全クリティカルなアプリケーションでの使用において、大きな障壁となる。 この研究では、steinのunbiased risk estimation (sure) を用いて、cnnベースのデノイザを用いた近似メッセージパッシング(amp)フレームワークを用いた圧縮センシング再構成のために、ヒートマップの形でピクセル毎の信頼区間を開発する。 これらのヒートマップは、CNNが生成した画像の信頼度をエンドユーザに伝えるもので、様々な計算イメージングアプリケーションにおけるCNNの有用性を大幅に改善する可能性がある。

関連論文リスト

• Iris super-resolution using CNNs: is photo-realism important to iris recognition? [67.42500312968455]
  特に畳み込みニューラルネットワーク(CNN)を用いた単一画像超解像技術が出現している 本研究では, 虹彩認識のためのCNNを用いて, 単一画像の超解像を探索する。 彼らは、近赤外線虹彩画像の1.872のデータベースと携帯電話画像データベースのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-10-24T11:19:18Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Deep Universal Blind Image Denoising [26.77629755630694]
  深層畳み込みニューラルネットワーク(cnns)は、大規模な合成データセットを組み込むことで、画像のノイズ化に大きな成功を収めている。 ベイズ的視点に基づく両手法の利点を生かしたCNNに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-01-18T11:49:21Z)
• Color Channel Perturbation Attacks for Fooling Convolutional Neural Networks and A Defense Against Such Attacks [16.431689066281265]
  Conalvolutional Neural Networks(CNN)は、強力なデータ依存型階層的特徴抽出方法として登場した。 ネットワークがトレーニングサンプルを非常に容易に満たしていることが観察される。 CNNを騙すために,カラーチャネル摂動(CCP)攻撃を提案する。
  論文  参考訳（メタデータ） (2020-12-20T11:35:29Z)
• Homography Estimation with Convolutional Neural Networks Under Conditions of Variance [0.0]
  畳み込みニューラルネットワーク(CNN)を用いた最近の2つの手法の性能解析を行った。 CNNは、ノイズに対してより堅牢であるように訓練できるが、ノイズのないケースでは精度が低い。 我々は,CNNを特定の音の大きさに訓練すると,CNNが最高の性能を示す騒音レベルに対して,Goldilocks Zoneが生じることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:11:25Z)
• When Deep Learning Meets Digital Image Correlation [0.0]
  本研究の目的は、参照画像とデフォルメ画像のペアから変位場とひずみ場を抽出できるCNNの実装である。 StrainNet と呼ばれる CNN は,この目標を達成するために開発することができる。 主な成果は、StrainNetがそのような測定を成功させ、気象学的な性能と計算時間の点で競合する結果を達成することである。
  論文  参考訳（メタデータ） (2020-09-02T19:26:05Z)
• Shape Defense Against Adversarial Attacks [47.64219291655723]
  人間は物体を認識するために形状情報に大きく依存している。逆に、畳み込みニューラルネットワーク(CNN)はテクスチャに偏っている。 本稿では, 形状バイアスをCNNに組み込んで, 頑健性を向上させる方法について検討する。 2つのアルゴリズムが提案され、エッジが適度な知覚不能な摂動に不変であるという観測に基づいている。
  論文  参考訳（メタデータ） (2020-08-31T03:23:59Z)

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。