Fugu-MT 論文翻訳(概要): Exploring ensembles and uncertainty minimization in denoising networks

論文の概要: Exploring ensembles and uncertainty minimization in denoising networks

arxiv url: http://arxiv.org/abs/2101.09798v1
Date: Sun, 24 Jan 2021 20:48:18 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 09:10:50.974190
Title: Exploring ensembles and uncertainty minimization in denoising networks
Title（参考訳）: 雑音ネットワークにおけるアンサンブルと不確実性最小化の検討
Authors: Xiaoqi Ma
Abstract要約: 画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。
参考スコア（独自算出の注目度）: 0.522145960878624
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The development of neural networks has greatly improved the performance in various computer vision tasks. In the filed of image denoising, convolutional neural network based methods such as DnCNN break through the limits of classical methods, achieving better quantitative results. However, the epistemic uncertainty existing in neural networks limits further improvements in their performance over denoising tasks. Therefore, we develop and study different solutions to minimize uncertainty and further improve the removal of noise. From the perspective of ensemble learning, we implement manipulations to noisy images from the point of view of spatial and frequency domains and then denoise them using pre-trained denoising networks. We propose a fusion model consisting of two attention modules, which focus on assigning the proper weights to pixels and channels. The experimental results show that our model achieves better performance on top of the baseline of regular pre-trained denoising networks.
Abstract（参考訳）: ニューラルネットワークの開発は、様々なコンピュータビジョンタスクのパフォーマンスを大幅に改善した。 DnCNNのような畳み込みニューラルネットワークに基づく手法は従来の手法の限界を突破し、より定量的な結果が得られる。しかし、ニューラルネットワークに存在するてんかんの不確実性は、タスクの認知よりもパフォーマンスのさらなる改善を制限している。そこで我々は,不確実性を最小化し,ノイズ除去をさらに改善するための異なる解を開発し検討する。アンサンブル学習の観点からは、空間領域と周波数領域の観点からノイズ画像の操作を実装し、事前学習した分節ネットワークを用いて雑音処理を行う。画素とチャネルに適切な重みを割り当てることに焦点を当てた2つの注意モジュールからなる融合モデルを提案する。実験の結果,本モデルでは,通常の事前学習型デノナイジングネットワークのベースライン上での性能が向上することが示された。