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

• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• PeriodWave: Multi-Period Flow Matching for High-Fidelity Waveform Generation [37.35829410807451]
  そこで我々は,新しい普遍波形生成モデルである PeriodWave を提案する。 波形信号の周期的特徴を把握できる周期的フローマッチング推定器を提案する。 また、周期的バッチ推論によりフィードフォワード並列化が可能な1つの周期条件ユニバーサル推定器を提案する。
  論文  参考訳（メタデータ） (2024-08-14T13:36:17Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
  本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。 提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
  論文  参考訳（メタデータ） (2024-03-18T21:07:57Z)
• 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)
• 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)
• 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)
• 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。