論文の概要: Deep Unfolding of Iteratively Reweighted ADMM for Wireless RF Sensing
- arxiv url: http://arxiv.org/abs/2106.03686v1
- Date: Mon, 7 Jun 2021 15:00:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:29:40.747718
- Title: Deep Unfolding of Iteratively Reweighted ADMM for Wireless RF Sensing
- Title（参考訳）: 無線RFセンシングのための反復重み付けADMMの深部展開
- Authors: Udaya S.K.P. Miriya Thanthrige, Peter Jung, and Aydin Sezgin
- Abstract要約: 我々は,MIMO無線レーダを用いた層状材料構造中の材料欠陥の検出に対処する。
多くのシナリオでは、階層構造に挑戦する欠陥の数は、低ランク構造としてモデル化できる。
- 参考スコア（独自算出の注目度）: 22.467957268653077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the detection of material defects, which are inside a layered
material structure using compressive sensing based multiple-output (MIMO)
wireless radar. Here, the strong clutter due to the reflection of the layered
structure's surface often makes the detection of the defects challenging. Thus,
sophisticated signal separation methods are required for improved defect
detection. In many scenarios, the number of defects that we are interested in
is limited and the signaling response of the layered structure can be modeled
as a low-rank structure. Therefore, we propose joint rank and sparsity
minimization for defect detection. In particular, we propose a non-convex
approach based on the iteratively reweighted nuclear and $\ell_1-$norm (a
double-reweighted approach) to obtain a higher accuracy compared to the
conventional nuclear norm and $\ell_1-$norm minimization. To this end, an
iterative algorithm is designed to estimate the low-rank and sparse
contributions. Further, we propose deep learning to learn the parameters of the
algorithm (i.e., algorithm unfolding) to improve the accuracy and the speed of
convergence of the algorithm. Our numerical results show that the proposed
approach outperforms the conventional approaches in terms of mean square errors
of the recovered low-rank and sparse components and the speed of convergence.
- Abstract（参考訳）: 本稿では,mimo(compressive sensing based multiple-output)無線レーダを用いて,層状材料構造の内部に存在する材料欠陥の検出について述べる。
ここでは、層状構造物の表面の反射による強い乱れが、しばしば欠陥の検出を困難にしている。
したがって、欠陥検出の改善には高度な信号分離法が必要である。
多くのシナリオでは、私たちが関心を持つ欠陥の数は限られており、階層構造のシグナル応答は低ランク構造としてモデル化できる。
そこで我々は,欠陥検出のための関節位と空間最小化を提案する。
特に, 繰り返し重み付けされた核と$\ell_1-$norm(二重重み付けアプローチ)に基づく非凸アプローチを提案し, 従来の核ノルムや$\ell_1-$normの最小化よりも高い精度を得る。
この目的のために、低ランクでスパースな貢献を見積もる反復アルゴリズムが設計されている。
さらに,アルゴリズムの精度と収束速度を改善するために,アルゴリズムのパラメータ(すなわち,展開するアルゴリズム)を学習する深層学習を提案する。
提案手法は, 回収した低ランクおよびスパース成分の平均二乗誤差と収束速度において, 従来の手法よりも優れていることを示す。
関連論文リスト
- OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。
我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。
従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文 参考訳（メタデータ） (2024-09-02T09:30:02Z) - UDHF2-Net: Uncertainty-diffusion-model-based High-Frequency TransFormer Network for Remotely Sensed Imagery Interpretation [12.24506241611653]
不確実拡散モデルに基づく高周波トランスフォーマーネットワーク(UDHF2-Net)が最初に提案される。
UDHF2-Netは空間定常非定常高周波接続パラダイム(SHCP)である
Mask-and-geo-knowledge-based uncertainty diffusion module (MUDM) は自己指導型学習戦略である。
周波数ワイド半擬似半擬似UDHF2-Netは、変更検出の精度と複雑さのバランスをとるために提案された最初のものである。
論文 参考訳（メタデータ） (2024-06-23T15:03:35Z) - Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳（メタデータ） (2023-12-02T07:00:46Z) - Provably Accelerating Ill-Conditioned Low-rank Estimation via Scaled
Gradient Descent, Even with Overparameterization [48.65416821017865]
この章では、スケールドグラデーション(ScaledGD)と呼ばれる新しいアルゴリズムアプローチを紹介します。
低ランク物体の条件数に依存しない定数速度で直線的に収束する。
様々なタスクに対して、勾配降下の低い摂動コストを維持できる。
論文 参考訳（メタデータ） (2023-10-09T21:16:57Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳（メタデータ） (2020-12-07T09:27:16Z) - Infrared small target detection based on isotropic constraint under
complex background [10.091959130890956]
ターゲットの低信号・クラッタ比(SCR)と不規則な背景クラッタによる干渉は正確な結果を得るのを難しくする。
等方性に制約された多層灰色の差分法(MGD)を提案する。
実験の結果,提案手法は信号-クラッタ比ゲイン (SCRG) と受信動作特性 (ROC) 曲線の両面で,いくつかの一般的な手法よりも有効で優れていることがわかった。
論文 参考訳（メタデータ） (2020-11-24T12:25:05Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z)
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。