論文の概要: Learning sparse structures for physics-inspired compressed sensing
- arxiv url: http://arxiv.org/abs/2011.12831v2
- Date: Fri, 27 Nov 2020 09:16:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 04:03:50.877318
- Title: Learning sparse structures for physics-inspired compressed sensing
- Title(参考訳): 物理に着想を得た圧縮センシングのためのスパース構造学習
- Authors: Cl\'ement Dorffer, Thomas Paviet-Salomon, Gilles Le Chenadec and
Ang\'elique Dr\'emeau
- Abstract要約: 水中の音響学では、浅い水環境はモード分散導波路として機能する。
本稿では,制約付きボルツマンマシンを基本構造として利用した新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.6117371161379209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In underwater acoustics, shallow water environments act as modal dispersive
waveguides when considering low-frequency sources. In this context, propagating
signals can be described as a sum of few modal components, each of them
propagating according to its own wavenumber. Estimating these wavenumbers is of
key interest to understand the propagating environment as well as the emitting
source. To solve this problem, we proposed recently a Bayesian approach
exploiting a sparsity-inforcing prior. When dealing with broadband sources,
this model can be further improved by integrating the particular dependence
linking the wavenumbers from one frequency to the other. In this contribution,
we propose to resort to a new approach relying on a restricted Boltzmann
machine, exploited as a generic structured sparsity-inforcing model. This
model, derived from deep Bayesian networks, can indeed be efficiently learned
on physically realistic simulated data using well-known and proven algorithms.
- Abstract(参考訳): 水中音響学では、浅い水環境は低周波源を考えるときにモード分散導波路として機能する。
この文脈では、伝播信号は少数のモーダル成分の和として記述され、それぞれが自身の波動数に従って伝播する。
これらの波数の推定は、伝播環境や放出源を理解する上で重要な関心事である。
この問題を解決するために、我々は最近ベイズ的アプローチを提案している。
広帯域ソースを扱う場合、波数を一方の周波数からもう一方の周波数にリンクする特定の依存性を統合することで、このモデルをさらに改善することができる。
そこで本稿では,汎用構造スパルサリティ情報モデルとして活用される制限付きボルツマンマシンを用いた新しい手法を提案する。
このモデルはディープベイズネットワークから派生したもので、よく知られた、証明されたアルゴリズムを用いて、物理的に現実的なシミュレーションデータで効率的に学習することができる。
関連論文リスト
- Bayesian inference and neural estimation of acoustic wave propagation [10.980762871305279]
本稿では,物理と機械学習を組み合わせて音響信号を解析する新しい枠組みを提案する。
この課題のために, スペクトル音響特性を推定するベイズ推定法, 前方および後方の物理的損失をニューラルネットワークに装備するニューラルネットワーク物理モデル, ベンチマークとして機能する非線形最小二乗法, の3つの手法が開発された。
このフレームワークの単純さと効率性は、シミュレーションデータ上で実証的に検証されている。
論文 参考訳(メタデータ) (2023-05-28T15:14:46Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳(メタデータ) (2023-05-18T12:30:26Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳(メタデータ) (2023-02-03T18:55:08Z) - Solving Seismic Wave Equations on Variable Velocity Models with Fourier
Neural Operator [3.2307366446033945]
本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。
数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。
PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
論文 参考訳(メタデータ) (2022-09-25T22:25:57Z) - Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for
Pooling and Unpooling [101.72318949104627]
本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。
LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
論文 参考訳(メタデータ) (2022-05-31T07:23:42Z) - Acoustic-Net: A Novel Neural Network for Sound Localization and
Quantification [28.670240455952317]
アコースティックネットと呼ばれる新しいニューラルネットワークが提案され、音源の特定と定量化が可能である。
実験により,提案手法は音源予測の精度と計算速度を大幅に向上させることを示した。
論文 参考訳(メタデータ) (2022-03-31T12:20:09Z) - Deep Impulse Responses: Estimating and Parameterizing Filters with Deep
Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。
本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-07T18:57:23Z) - Millimeter Wave Localization with Imperfect Training Data using Shallow
Neural Networks [13.454939391912095]
我々は,mWaveデバイスを屋内でローカライズするための浅層ニューラルネットワークモデルを提案する。
このモデルは、文献で提案されているものよりもはるかに少ない重量を必要とする。
また,位置推定を幾何学ベースのmWaveローカライゼーションアルゴリズムから検索することで,トレーニングデータ収集の取り組みを緩和することを提案する。
論文 参考訳(メタデータ) (2021-12-09T16:03:30Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳(メタデータ) (2020-10-12T16:50:22Z) - Noise Homogenization via Multi-Channel Wavelet Filtering for
High-Fidelity Sample Generation in GANs [47.92719758687014]
GAN(Generative Adversarial Networks)のための新しいマルチチャネルウェーブレットに基づくフィルタリング手法を提案する。
ジェネレータにウェーブレットのデコンボリューション層を埋め込むと、結果のGANであるWaveletGANがウェーブレットのデコンボリューションを利用して複数のチャネルによるフィルタリングを学習する。
オープンGANベンチマークツールを用いて,Fashion-MNIST,KMNIST,SVHNデータセットのベンチマーク実験を行った。
論文 参考訳(メタデータ) (2020-05-14T03:40:11Z)
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。