論文の概要: Generative-Adversarial-Networks-based Ghost Recognition

• arxiv url: http://arxiv.org/abs/2103.13858v1
• Date: Thu, 25 Mar 2021 14:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 18:47:20.607382
• Title: Generative-Adversarial-Networks-based Ghost Recognition
• Title（参考訳）: ジェネレーティブ・ディバイサル・ネットワークスに基づくゴースト認識
• Authors: Yuchen He, Yibing Chen, Hui Chen, Huaibin Zheng, Jianbin Liu, Shitao Zhu and Zhuo Xu
• Abstract要約: ゴーストイメージング(GI)とGAN(Generative Adversarial Network)を組み合わせた新しい偶然認識手法を提案する。 GIのメカニズムに基づいて、ターゲットを照らすために一連のランダムスペックルシーケンスを使用し、解像度のないバケット検出器を用いてエコー信号を受信する。 実用的なアプリケーションでは、トレーニングステップのスペックルシーケンスはターゲットを照らすためにまだ使用され、バケット信号アレイは認識のために入力GANです。
• 参考スコア（独自算出の注目度）: 5.893190828938429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, target recognition technique plays an important role in many fields. However, the existing image information based methods suffer from the influence of target image quality. In addition, some methods also need image reconstruction, which will bring additional time cost. In this paper, we propose a novel coincidence recognition method combining ghost imaging (GI) and generative adversarial networks (GAN). Based on the mechanism of GI, a set of random speckles sequence is employed to illuminate target, and a bucket detector without resolution is utilized to receive echo signal. The bucket signal sequence formed after continuous detections is constructed into a bucket signal array, which is regarded as the sample of GAN. Then, conditional GAN is used to map bucket signal array and target category. In practical application, the speckles sequence in training step is still employed to illuminate target, and the bucket signal array is input GAN for recognition. The proposed method can improve the problems caused by existing recognition methods that based on image information, and provide a certain turbulence-free ability. Extensive experiments are show that the proposed method achieves promising performance.
• Abstract（参考訳）: 近年,多くの分野においてターゲット認識技術が重要な役割を担っている。 しかし,既存の画像情報に基づく手法は,画像品質の影響を受けやすい。 さらに、いくつかのメソッドには画像再構成が必要で、追加の時間コストがかかる。 本稿では,ゴーストイメージング(GI)とGAN(Generative Adversarial Network)を組み合わせた新しい同時認識手法を提案する。 GIのメカニズムに基づいて、ターゲットを照らすために一連のランダムスペックルシーケンスを使用し、解像度のないバケット検出器を用いてエコー信号を受信する。 連続検出後に形成されたバケット信号シーケンスは、GANのサンプルと見なされるバケット信号アレイに構成される。 次に、条件付きGANを使用して、バケット信号アレイとターゲットカテゴリをマッピングする。 実際の応用では、目標を照らすために訓練段階のスペックルシーケンスを使用し、認識のためにバケット信号アレイを入力GANとする。 提案手法は,画像情報に基づく既存の認識手法による問題を改善し,一定の乱れのない能力を提供する。 実験により,提案手法が有望な性能を達成することを示す。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Revolutionizing Text-to-Image Retrieval as Autoregressive Token-to-Voken Generation [90.71613903956451]
  テキスト・ツー・イメージ検索はマルチメディア処理における基本的な課題である。 本稿では,AVGという自己回帰ボウケン生成手法を提案する。 AVGは有効性と有効性の両方において優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-24T13:39:51Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• An Adaptive Sampling and Edge Detection Approach for Encoding Static Images for Spiking Neural Networks [0.2519906683279152]
  スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークの第3世代と考えられている。 本稿では,エッジ検出と適応信号サンプリング手法を用いて,静的画像を時間的スパイク列車に符号化する方法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T19:31:52Z)
• Deep Learning Radio Frequency Signal Classification with Hybrid Images [0.0]
  入力トレーニングデータに使用できるさまざまな前処理ステップに注目し、結果を固定されたディープラーニングアーキテクチャでテストする。 本稿では,時間領域情報と周波数領域情報の両方を利用するハイブリッド画像を提案し,コンピュータビジョン問題として分類する。
  論文  参考訳（メタデータ） (2021-05-19T11:12:09Z)
• Speckles-Training-Based Denoising Convolutional Neural Network Ghost Imaging [5.737427318960774]
  DnCNN(Denoising Convolutional Neural Networks)に基づく改良型ゴーストイメージング(GI)手法を提案する。 DnCNNにおける入力(雑音画像)と出力(残留画像)の対応にインスパイアされ、トレーニングを通してスペックルシーケンスと対応するGIの雑音分布のマッピングを構築する。 未知のターゲットを照らすのに同じスペックルシーケンスを使用し、消音ターゲット画像を取得します。
  論文  参考訳（メタデータ） (2021-04-07T02:56:57Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• T-GD: Transferable GAN-generated Images Detection Framework [16.725880610265378]
  本稿では,Transferable GAN-images Detection framework T-GDを提案する。 T-GDは教師と学生モデルから構成されており、相互に反復的に教え、評価し、検出性能を向上させることができる。 学生モデルを訓練するために、音源とターゲットデータセットを混合してノイズを注入し、ウェイト変動を制約して開始点を保存する。
  論文  参考訳（メタデータ） (2020-08-10T13:20:19Z)

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。