論文の概要: Weighted Encoding Optimization for Dynamic Single-pixel Imaging and Sensing

• arxiv url: http://arxiv.org/abs/2201.02833v1
• Date: Sat, 8 Jan 2022 14:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:41:05.287566
• Title: Weighted Encoding Optimization for Dynamic Single-pixel Imaging and Sensing
• Title（参考訳）: 動的単画素イメージングとセンシングのための重み付き符号化最適化
• Authors: Xinrui Zhan, Liheng Bian, Chunli Zhu, Jun Zhang
• Abstract要約: 動的レート適応型単画素イメージングとセンシングのための重み付け最適化手法について報告する。 MNISTデータセットの実験では、ネットワークがサンプリングレート1でトレーニングされると、平均画像PSNRは0.1サンプリングレートで23.50dBに達することが検証された。
• 参考スコア（独自算出の注目度）: 5.009136541766621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using single-pixel detection, the end-to-end neural network that jointly optimizes both encoding and decoding enables high-precision imaging and high-level semantic sensing. However, for varied sampling rates, the large-scale network requires retraining that is laboursome and computation-consuming. In this letter, we report a weighted optimization technique for dynamic rate-adaptive single-pixel imaging and sensing, which only needs to train the network for one time that is available for any sampling rates. Specifically, we introduce a novel weighting scheme in the encoding process to characterize different patterns' modulation efficiency. While the network is training at a high sampling rate, the modulation patterns and corresponding weights are updated iteratively, which produces optimal ranked encoding series when converged. In the experimental implementation, the optimal pattern series with the highest weights are employed for light modulation, thus achieving highly-efficient imaging and sensing. The reported strategy saves the additional training of another low-rate network required by the existing dynamic single-pixel networks, which further doubles training efficiency. Experiments on the MNIST dataset validated that once the network is trained with a sampling rate of 1, the average imaging PSNR reaches 23.50 dB at 0.1 sampling rate, and the image-free classification accuracy reaches up to 95.00\% at a sampling rate of 0.03 and 97.91\% at a sampling rate of 0.1.
• Abstract（参考訳）: シングルピクセル検出を使用することで、エンコーディングとデコードの両方を共同で最適化するエンドツーエンドニューラルネットワークは、高精度イメージングと高レベルセマンティックセンシングを可能にする。 しかし、様々なサンプリングレートにおいて、大規模ネットワークは、労力と計算に要する再訓練を必要とする。 本稿では,動的レート適応型単一画素撮像・センシングのための重み付き最適化手法について報告する。 具体的には,符号化過程で異なるパターンの変調効率を特徴付ける新しい重み付け方式を提案する。 ネットワークは高いサンプリングレートでトレーニングされている間、変調パターンと対応する重みを反復的に更新し、収束すると最適なランクエンコーディング系列を生成する。 実験では, 最も重みの高い最適パターン系列を用いて光変調を行い, 高効率なイメージングとセンシングを実現する。 報告された戦略は、既存の動的シングルピクセルネットワークに必要な他の低レートネットワークのトレーニングを省き、トレーニング効率をさらに倍にする。 MNISTデータセットの実験では、ネットワークをサンプリングレート1でトレーニングすると、平均画像PSNRはサンプリングレート0.1で23.50dBに達し、画像のない分類精度はサンプリングレート0.03で95.00\%、サンプリングレート0.1で97.91\%に達することが検証された。

関連論文リスト

• Efficient NeRF Optimization -- Not All Samples Remain Equally Hard [9.404889815088161]
  ニューラルレイディアンスフィールド(NeRF)の効率的なトレーニングのためのオンラインハードサンプルマイニングの応用を提案する。 NeRFモデルは、多くの3D再構成およびレンダリングタスクに対して最先端の品質を生み出すが、かなりの計算資源を必要とする。
  論文  参考訳（メタデータ） (2024-08-06T13:49:01Z)
• Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
  既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。 本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
  論文  参考訳（メタデータ） (2024-04-23T17:03:53Z)
• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• RL-based Stateful Neural Adaptive Sampling and Denoising for Real-Time Path Tracing [1.534667887016089]
  モンテカルロ経路追跡は、現実的な画像合成の強力な手法であるが、低いサンプル数での高レベルのノイズに悩まされている。 本稿では,サンプリング重要度ネットワーク,遅延空間エンコーダネットワーク,デノイザネットワークをエンドツーエンドでトレーニングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-05T12:39:27Z)
• Compression with Bayesian Implicit Neural Representations [16.593537431810237]
  本稿では,データに変分ニューラルネットワークをオーバーフィッティングし,相対エントロピー符号化を用いて近似後重みサンプルを圧縮し,量子化やエントロピー符号化を行う。 実験により,本手法は単純さを維持しつつ,画像および音声の圧縮に強い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-05-30T16:29:52Z)
• A Deep Learning-based in silico Framework for Optimization on Retinal Prosthetic Stimulation [3.870538485112487]
  シリコン網膜インプラントモデルパルス2パーセプションによってシミュレーションされた知覚を最適化するニューラルネットワークベースのフレームワークを提案する。 パイプラインは、トレーニング可能なエンコーダ、トレーニング済み網膜インプラントモデル、トレーニング済み評価器から構成される。
  論文  参考訳（メタデータ） (2023-02-07T16:32:05Z)
• Vertical Layering of Quantized Neural Networks for Heterogeneous Inference [57.42762335081385]
  量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。 理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
  論文  参考訳（メタデータ） (2022-12-10T15:57:38Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• 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)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)
• Perceptually Optimizing Deep Image Compression [53.705543593594285]
  平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。 本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:33:28Z)

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。