論文の概要: Improved Supervised Training of Physics-Guided Deep Learning Image
Reconstruction with Multi-Masking
- arxiv url: http://arxiv.org/abs/2010.13868v1
- Date: Mon, 26 Oct 2020 19:39:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:46:52.626397
- Title: Improved Supervised Training of Physics-Guided Deep Learning Image
Reconstruction with Multi-Masking
- Title(参考訳): マルチタスクによる物理誘導深層学習画像再構成の指導改善
- Authors: Burhaneddin Yaman, Seyed Amir Hossein Hosseini, Steen Moeller and
Mehmet Ak\c{c}akaya
- Abstract要約: 提案したマルチマスク型PG-DLは,従来のPG-DL手法と比較して再構成性能を向上させる。
膝関節MRIでは,従来のPG-DL法と比較して,複数マスクのPG-DLによる再建性能が向上することが示唆された。
- 参考スコア(独自算出の注目度): 3.441021278275805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-guided deep learning (PG-DL) via algorithm unrolling has received
significant interest for improved image reconstruction, including MRI
applications. These methods unroll an iterative optimization algorithm into a
series of regularizer and data consistency units. The unrolled networks are
typically trained end-to-end using a supervised approach. Current supervised
PG-DL approaches use all of the available sub-sampled measurements in their
data consistency units. Thus, the network learns to fit the rest of the
measurements. In this study, we propose to improve the performance and
robustness of supervised training by utilizing randomness by retrospectively
selecting only a subset of all the available measurements for data consistency
units. The process is repeated multiple times using different random masks
during training for further enhancement. Results on knee MRI show that the
proposed multi-mask supervised PG-DL enhances reconstruction performance
compared to conventional supervised PG-DL approaches.
- Abstract(参考訳): 物理誘導型ディープラーニング(PG-DL)はMRIを含む画像再構成の改善に多大な関心を集めている。
これらの手法は反復最適化アルゴリズムを一連の正規化器とデータ一貫性ユニットに展開する。
アンロールネットワークは通常、教師付きアプローチを使用してエンドツーエンドにトレーニングされる。
現在のPG-DLアプローチでは、データ一貫性ユニットで利用可能なすべてのサブサンプル計測を使用する。
したがって、ネットワークは残りの測定値に適合することを学ぶ。
本研究では,データ整合性ユニットのすべての測定値のサブセットのみを遡って選択することで,ランダム性を利用して教師付きトレーニングの性能と堅牢性を向上させることを提案する。
このプロセスはトレーニング中に異なるランダムマスクを使用して何度も繰り返され、さらに強化される。
膝関節MRIでは,従来のPG-DL法と比較して,複数マスクのPG-DLによる再建性能の向上が認められた。
関連論文リスト
- Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳(メタデータ) (2023-10-06T16:36:08Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳(メタデータ) (2022-01-27T20:19:07Z) - An Optimization-Based Meta-Learning Model for MRI Reconstruction with
Diverse Dataset [4.9259403018534496]
メタラーニングフレームワークを用いた一般化可能なMRI再構成モデルを構築した。
提案するネットワークは,学習者適応モデルを用いて正規化関数を学習する。
メタトレーニング後および半減期における未確認課題の即時訓練の結果を検証した。
論文 参考訳(メタデータ) (2021-10-02T03:21:52Z) - An Optimal Control Framework for Joint-channel Parallel MRI
Reconstruction without Coil Sensitivities [5.536263246814308]
離散時間最適制御フレームワークを組み込んだ新しいキャリブレーションフリー高速並列MRI (pMRI) 再構成法を開発した。
本稿では,画像空間とフーリエ空間における構造化マルチプレイヤー畳み込みネットワークを利用して,大きさ情報と位相情報を両立させることを提案する。
論文 参考訳(メタデータ) (2021-09-20T06:42:42Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳(メタデータ) (2020-10-29T06:32:53Z) - Regularizing Deep Networks with Semantic Data Augmentation [44.53483945155832]
従来の手法を補完する新しい意味データ拡張アルゴリズムを提案する。
提案手法はディープネットワークが線形化特徴の学習に有効であるという興味深い性質に着想を得たものである。
提案した暗黙的セマンティックデータ拡張(ISDA)アルゴリズムは,新たなロバストCE損失を最小限に抑える。
論文 参考訳(メタデータ) (2020-07-21T00:32:44Z) - Gradient Monitored Reinforcement Learning [0.0]
我々は、強化学習アルゴリズムにおける訓練の強化と評価性能に焦点をあてる。
本稿では,トレーニングプロセス自体からの動的発達とフィードバックに基づいて,ニューラルネットワークの重みパラメータの学習をステアリングする手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T13:45:47Z) - Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。
段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。
オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
論文 参考訳(メタデータ) (2020-02-17T18:57:33Z)
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。