論文の概要: Graph Attention Network For Microwave Imaging of Brain Anomaly

• arxiv url: http://arxiv.org/abs/2108.01965v1
• Date: Wed, 4 Aug 2021 11:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-05 13:06:46.274903
• Title: Graph Attention Network For Microwave Imaging of Brain Anomaly
• Title（参考訳）: 脳異常のマイクロ波イメージングのためのグラフ注意ネットワーク
• Authors: A. Al-Saffar, L. Guo, A. Abbosh
• Abstract要約: この研究はマイクロ波イメージングアレイのグラフ定式化を推し進めた。 提案されたアーキテクチャは物理的な設定を認識し、対称性を組み込むことができる。 この問題に対するグラフ処理は、脳の異常局在とマイクロ波イメージングの文脈における実験的な設定に基づいて評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: So far, numerous learned models have been pressed to use in microwave imaging problems. These models however, are oblivious to the imaging geometry. It has always been hard to bake the physical setup of the imaging array into the structure of the network, resulting in a data-intensive models that are not practical. This work put forward a graph formulation of the microwave imaging array. The architectures proposed is made cognizant of the physical setup, allowing it to incorporate the symmetries, resulting in a less data requirements. Graph convolution and attention mechanism is deployed to handle the cases of fully-connected graphs corresponding to multi-static arrays. The graph-treatment of the problem is evaluated on experimental setup in context of brain anomaly localization with microwave imaging.
• Abstract（参考訳）: これまでに、多くの学習されたモデルがマイクロ波イメージング問題に使われてきた。 しかし、これらのモデルはイメージング幾何に従わない。 画像アレイの物理的セットアップをネットワークの構造に焼き込むことは常に困難であり、結果として実用的ではないデータ集約型モデルが生まれる。 この研究はマイクロ波イメージングアレイのグラフ定式化を推し進めた。 提案されたアーキテクチャは物理的な設定を認識し、対称性を組み込むことができ、結果としてデータ要求が少なくなる。 グラフ畳み込みとアテンション機構は、マルチスタティックアレイに対応する完全連結グラフのケースを扱うためにデプロイされる。 この問題のグラフ処理は, マイクロ波イメージングによる脳の異常局在を実験的に検討した。

関連論文リスト

• Vision HgNN: An Electron-Micrograph is Worth Hypergraph of Hypernodes [0.0]
  電子マイクログラフにおける複雑な関係をより良くモデル化するためのハイパーグラフニューラルネットワークバックボーンアーキテクチャを提案する。 コスト効率のよいGPUハードウェアを利用することで、提案するフレームワークは一般的なベースラインを上回っます。
  論文  参考訳（メタデータ） (2024-08-21T05:36:53Z)
• A sparse coding approach to inverse problems with application to microwave tomography [2.230861711161317]
  哺乳類の視覚系に触発された自然画像に対して,現実的でコンパクトで効果的な生成モデルを提案する。 これにより、大量の画像の集合上でモデルをトレーニングすることで、不測の線形逆問題に対処することができる。 マイクロ波トモグラフィー画像における非線形および不適切な問題に対するスパース符号化の適用を拡大する。
  論文  参考訳（メタデータ） (2023-08-07T14:28:59Z)
• Machine learning-based spin structure detection [0.0]
  我々は,この測定におけるスカイミオンの位置と形状を検出するために,セグメンテーション問題に特化して設計された畳み込みニューラルネットワークについて報告する。 本研究の結果から, よく訓練されたネットワークは, 磁気顕微鏡におけるデータ前処理の自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:19:31Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Convolutional Learning on Multigraphs [153.20329791008095]
  我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。 情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。 我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。 導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-09-23T00:33:04Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Single Plane-Wave Imaging using Physics-Based Deep Learning [2.1410799064827226]
  平面波イメージングでは、異なる角度から複数の非焦点超音波が媒介される。 超音波イメージングを改善するための深層学習法が提案されている。 本稿では、深部畳み込みニューラルネットワークにおける波動物理に基づく画像形成アルゴリズムを組み込んだデータ・ツー・イメージアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-08T14:06:29Z)
• Problems of representation of electrocardiograms in convolutional neural networks [58.720142291102135]
  これらの問題は本質的に体系的であることを示す。 これらは、畳み込みネットワークが複合オブジェクトでどのように機能するかに起因するが、その一部は厳格に固定されていないが、大きな移動性を持っている。
  論文  参考訳（メタデータ） (2020-12-01T14:02:06Z)
• Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction [7.6146285961466]
  本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。 4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
  論文  参考訳（メタデータ） (2020-09-06T15:53:17Z)

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。