論文の概要: Patch Based Transformation for Minimum Variance Beamformer Image
Approximation Using Delay and Sum Pipeline
- arxiv url: http://arxiv.org/abs/2110.10220v1
- Date: Tue, 19 Oct 2021 19:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 18:25:08.309150
- Title: Patch Based Transformation for Minimum Variance Beamformer Image
Approximation Using Delay and Sum Pipeline
- Title（参考訳）: 遅延とサムパイプラインを用いた最小可変ビームフォーマ画像近似のためのパッチベース変換
- Authors: Sairoop Bodepudi, A N Madhavanunni, Mahesh Raveendranatha Panicker
- Abstract要約: 本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。
提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
- 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: In the recent past, there have been several efforts in accelerating
computationally heavy beamforming algorithms such as minimum variance
distortionless response (MVDR) beamforming to achieve real-time performance
comparable to the popular delay and sum (DAS) beamforming. This has been
achieved using a variety of neural network architectures ranging from fully
connected neural networks (FCNNs), convolutional neural networks (CNNs) and
general adversarial networks (GANs). However most of these approaches are
working with optimizations considering image level losses and hence require a
significant amount of dataset to ensure that the process of beamforming is
learned. In this work, a patch level U-Net based neural network is proposed,
where the delay compensated radio frequency (RF) patch for a fixed region in
space (e.g. 32x32) is transformed through a U-Net architecture and multiplied
with DAS apodization weights and optimized for similarity with MVDR image of
the patch. Instead of framing the beamforming problem as a regression problem
to estimate the apodization weights, the proposed approach treats the
non-linear transformation of the RF data space that can account for the data
driven weight adaptation done by the MVDR approach in the parameters of the
network. In this way, it is also observed that by restricting the input to a
patch the model will learn the beamforming pipeline as an image non-linear
transformation problem.
- Abstract（参考訳）: 近年,DASビームフォーミングに匹敵するリアルタイム性能を実現するために,最小分散歪み無振応答(MVDR)ビームフォーミングなど,計算的に重いビームフォーミングアルゴリズムの高速化が試みられている。
これは、完全に接続されたニューラルネットワーク(FCNN)、畳み込みニューラルネットワーク(CNN)、一般敵ネットワーク(GAN)など、さまざまなニューラルネットワークアーキテクチャを使用して実現されている。
しかし、これらのアプローチのほとんどは画像レベルの損失を考慮した最適化に取り組んでおり、ビームフォーミングのプロセスが学習されることを保証するために大量のデータセットが必要である。
本研究では、空間内の固定領域(例えば32x32)に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャを通して変換し、DASアポッド化重みを乗じてパッチのMVDR画像と類似性に最適化するパッチレベルU-Netベースニューラルネットワークを提案する。
アポッド化重みを推定する回帰問題としてビームフォーミング問題をフレーミングする代わりに、提案手法は、ネットワークのパラメータにおけるMVDRアプローチによって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
このようにして、パッチへの入力を制限することで、モデルが画像の非線形変換問題としてビームフォーミングパイプラインを学ぶことも観察される。
関連論文リスト
- Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation [0.0]
ニューラルネットワークアーキテクチャは高次元パラメータ依存偏微分方程式(pPDE)を解くために提示される
モデルデータのパラメータを対応する有限要素解にマッピングするために構築される。
適応有限要素法(AFEM)で生成される粗いグリッド解と一連の補正を出力する。
論文 参考訳（メタデータ） (2024-03-19T11:34:40Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded
Diffraction Patterns Phase Retrieval [6.982256124089]
位相検索は、計算画像および画像処理における非線型逆問題である。
我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。
非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
論文 参考訳（メタデータ） (2023-09-08T07:37:15Z) - Entropy Transformer Networks: A Learning Approach via Tangent Bundle
Data Manifold [8.893886200299228]
本稿では,CNNアーキテクチャの設計における画像変換の高精度かつ高速なアプローチについて述べる。
データ多様体分布を補間する新しいエントロピーSTN(ESTN)を提案する。
挑戦的なベンチマークの実験は、提案されたESTNがコンピュータビジョンタスクの範囲で予測精度を向上させることを示している。
論文 参考訳（メタデータ） (2023-07-24T04:21:51Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - A Projection-Based K-space Transformer Network for Undersampled Radial
MRI Reconstruction with Limited Training Subjects [1.5708535232255898]
非カルテシアン軌道は、ネットワークトレーニングの各イテレーションにおいて、カルテシアングリッドに変換される必要がある。
本研究では,限られた被験者から大量のトレーニングデータを生成するための新しいデータ拡張手法を提案する。
実験の結果,最先端のディープニューラルネットワークと比較して,提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2022-06-15T00:20:22Z) - Wide-band butterfly network: stable and efficient inversion via
multi-frequency neural networks [1.2891210250935143]
広帯域散乱データから逆散乱マップを近似するために,広帯域蝶ネットワーク(WideBNet)と呼ばれるエンドツーエンドのディープラーニングアーキテクチャを導入する。
このアーキテクチャでは、バタフライの分解のような計算調和解析や、クーリー・テューキーFFTアルゴリズムのような伝統的なマルチスケール手法のツールが組み込まれている。
論文 参考訳（メタデータ） (2020-11-24T21:48:43Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T11:40:09Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。