論文の概要: A Joint Convolutional and Spatial Quad-Directional LSTM Network for Phase Unwrapping

• arxiv url: http://arxiv.org/abs/2010.13268v1
• Date: Mon, 26 Oct 2020 01:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 20:09:28.453095
• Title: A Joint Convolutional and Spatial Quad-Directional LSTM Network for Phase Unwrapping
• Title（参考訳）: 位相アンラッピングのための畳み込みと空間4方向LSTMネットワーク
• Authors: Malsha V. Perera, Ashwin De Silva
• Abstract要約: 本稿では,位相アンラッピングのための空間的四方向長短期記憶(SQD-LSTM)を組み込んだ新しい畳み込みニューラルネットワーク(CNN)を提案する。 提案手法は, 強騒音条件下での既存手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 7.716156977428555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase unwrapping is a classical ill-posed problem which aims to recover the true phase from wrapped phase. In this paper, we introduce a novel Convolutional Neural Network (CNN) that incorporates a Spatial Quad-Directional Long Short Term Memory (SQD-LSTM) for phase unwrapping, by formulating it as a regression problem. Incorporating SQD-LSTM can circumvent the typical CNNs' inherent difficulty of learning global spatial dependencies which are vital when recovering the true phase. Furthermore, we employ a problem specific composite loss function to train this network. The proposed network is found to be performing better than the existing methods under severe noise conditions (Normalized Root Mean Square Error of 1.3 % at SNR = 0 dB) while spending a significantly less computational time (0.054 s). The network also does not require a large scale dataset during training, thus making it ideal for applications with limited data that require fast and accurate phase unwrapping.
• Abstract（参考訳）: フェーズアンラッピングは、ラップされたフェーズから真のフェーズを回復することを目的とした古典的な誤った問題である。 本稿では、位相アンラッピングのための空間的四方向長項記憶(SQD-LSTM)を組み込んだ新しい畳み込みニューラルネットワーク(CNN)について、回帰問題として定式化して紹介する。 SQD-LSTMを組み込むことで、真の位相を回復する際に必須となるグローバル空間依存を学習する典型的なCNNの難しさを回避することができる。 さらに,本ネットワークを訓練するために問題特定複合損失関数を用いる。 提案手法は,SNR = 0 dBで1.3 %のルート平均正方形誤差(Normalized Root Mean Square Error)を,計算時間(0.054 s)を大幅に削減しながら,従来の手法よりも優れた性能を示した。 ネットワークはまた、トレーニング中に大規模なデータセットを必要としないため、高速で正確なフェーズアンラッピングを必要とする限られたデータを持つアプリケーションに最適である。

関連論文リスト

• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• An Improved Time Feedforward Connections Recurrent Neural Networks [3.0965505512285967]
  リカレントニューラルネットワーク(RNN)は洪水予測や財務データ処理といった時間的問題に広く応用されている。 従来のRNNモデルは、厳密な時系列依存性のために勾配問題を増幅する。 勾配問題に対処するために、改良された時間フィードフォワード接続リカレントニューラルネットワーク(TFC-RNN)モデルが最初に提案された。 単一ゲートリカレントユニット(Single Gate Recurrent Unit, SGRU)と呼ばれる新しい細胞構造が提示され、RNNセルのパラメータ数が減少した。
  論文  参考訳（メタデータ） (2022-11-03T09:32:39Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Go Beyond Multiple Instance Neural Networks: Deep-learning Models based on Local Pattern Aggregation [0.0]
  畳み込みニューラルネットワーク(CNN)は、臨床心電図(ECG)と話者非依存音声の処理においてブレークスルーをもたらした。 本稿では,局所的なパターン集約に基づくディープラーニングモデルを提案する。 LPANetと呼ばれる新しいネットワーク構造には、トリミングと集約操作が組み込まれている。
  論文  参考訳（メタデータ） (2022-05-28T13:18:18Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• SlimFL: Federated Learning with Superposition Coding over Slimmable Neural Networks [56.68149211499535]
  フェデレートラーニング(FL)は、デバイスの分散コンピューティング機能を活用した効率的なコミュニケーションとコンピューティングのための重要な実現手段である。 本稿では、FLと幅調整可能なスリムブルニューラルネットワーク(SNN)を統合した新しい学習フレームワークを提案する。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T15:06:13Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Long short-term relevance learning [0.0]
  ネットワークアーキテクチャに効率的なスパースベイズ訓練アルゴリズムを導入する。 提案手法は,関連する神経接続を自動的に決定し,それに応じて適応する。 自己規制フレームワークは、適切なネットワークアーキテクチャとサイズに関する事前知識を必要としないことを示す。
  論文  参考訳（メタデータ） (2021-06-21T09:07:17Z)
• Hessian Aware Quantization of Spiking Neural Networks [1.90365714903665]
  ニューロモルフィックアーキテクチャは、可変ビット精度と局所ビット精度の大規模並列計算を可能にする。 SNNトレーニングの現在の勾配に基づく方法は、複数の状態変数を持つ複雑なニューロンモデルを使用する。 我々は、勾配に基づくトレーニングと互換性を保ちつつ、状態変数の数を4倍に削減する単純化されたニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T05:27:34Z)
• Ensemble long short-term memory (EnLSTM) network [0.456877715768796]
  本稿では,小さなデータセットでトレーニングし,逐次データを処理するアンサンブル長短期記憶(EnLSTM)ネットワークを提案する。 EnLSTMは平均2乗誤差(MSE)を34%削減したウェルログを生成する最先端モデルであることが証明されている。
  論文  参考訳（メタデータ） (2020-04-26T05:42:18Z)

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。