論文の概要: Normalized K-Means for Noise-Insensitive Multi-Dimensional Feature Learning

• arxiv url: http://arxiv.org/abs/2202.07754v1
• Date: Tue, 15 Feb 2022 22:08:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-18 04:31:19.253728
• Title: Normalized K-Means for Noise-Insensitive Multi-Dimensional Feature Learning
• Title（参考訳）: 雑音に敏感な多次元特徴学習のための正規化K-Means
• Authors: Nicholas Pellegrino, Paul Fieguth, Parsin Haji Reza
• Abstract要約: 光音響顕微鏡は各画素に多次元の特徴を生じる。 測定された信号は、基底関数の重み付きサムでも、プロトタイプのセットの1つでもない。 ここで提案する新たなクラスタリング手法は,基礎となる,未知の,ターゲット特性に関連するセントロイドを学習することができる。
• 参考スコア（独自算出の注目度）: 3.867363075280544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many measurement modalities which perform imaging by probing an object pixel-by-pixel, such as via Photoacoustic Microscopy, produce a multi-dimensional feature (typically a time-domain signal) at each pixel. In principle, the many degrees of freedom in the time-domain signal would admit the possibility of significant multi-modal information being implicitly present, much more than a single scalar "brightness", regarding the underlying targets being observed. However, the measured signal is neither a weighted-sum of basis functions (such as principal components) nor one of a set of prototypes (K-means), which has motivated the novel clustering method proposed here, capable of learning centroids (signal shapes) that are related to the underlying, albeit unknown, target characteristics in a scalable and noise-robust manner.
• Abstract（参考訳）: 光音響顕微鏡などを通して物体の画素毎の撮像を行う多くの測定モダリティは、各画素に多次元的特徴(典型的には時間領域信号)を生成する。 原則として、時間領域信号における多くの自由度は、観測対象に関する単一のスカラー「明度」よりもはるかに多く、重要なマルチモーダル情報が暗黙的に存在する可能性を認める。 しかし、測定された信号は、基礎関数(主成分など)の重み付け和や、ここで提案する新しいクラスタリング手法の動機となった一連のプロトタイプ(k-means)の1つではなく、基盤である未知のターゲット特性と関連するセントロイド(信号形)をスケーラブルでノイズロバストな方法で学習することができる。

関連論文リスト

• Unmixing Optical Signals from Undersampled Volumetric Measurements by Filtering the Pixel Latent Variables [5.74378659752939]
  遅延アンミキシング(Latent Unmixing)は、マルチスペクトルニューラルネットワークの潜在空間に帯域通過フィルタを適用する新しいアプローチである。 これは、特にアンダーサンプル分布の文脈において、個々の信号のコントリビューションのより優れた分離と定量化を可能にする。 本手法の物理実験における実用的利用を,本手法の汎用性を強調する2つの試験事例を通して紹介する。
  論文  参考訳（メタデータ） (2023-12-08T20:34:37Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Multivariate Wasserstein Functional Connectivity for Autism Screening [82.68524566142271]
  我々は,代表時系列を使わずに,興味のある地域を直接比較することを提案する。 自閉症スクリーニングタスクにおけるWasserstein機能接続性の評価を行った。
  論文  参考訳（メタデータ） (2022-09-23T16:23:05Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Target Identification and Bayesian Model Averaging with Probabilistic Hierarchical Factor Probabilities [0.0]
  ハイパースペクトル画像におけるターゲット検出は、ターゲットを含む可能性が高い画像から画素を探索する過程である。 ターゲット識別(Target Identification)は、高い検出で得られた各ピクセルに存在する物質をより具体的に識別する追加のプロセスを含むターゲット検出のプロセスである。
  論文  参考訳（メタデータ） (2022-07-21T13:38:39Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
  本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
  論文  参考訳（メタデータ） (2022-04-10T09:37:41Z)
• Diffusion and Volume Maximization-Based Clustering of Highly Mixed Hyperspectral Images [5.16230883032882]
  本稿では,非教師付き材料識別のためのemphDiffusion and Volume-based Image Clustering (emphD-VIC)アルゴリズムについて紹介する。 D-VICは、高密度で高純度な他の高密度の高純度画素から遠く離れたハイパースペクトル画像中の、高密度で高純度なピクセルのクラスタモードを見つける。 D-VICアップウェイトピクセルは、1つの材料だけを含む空間領域に対応し、より解釈可能なクラスタリングをもたらす。
  論文  参考訳（メタデータ） (2022-03-18T14:39:42Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• Quantum metamaterial for nondestructive microwave photon counting [52.77024349608834]
  弱い非線形メタマテリアルに基づいてマイクロ波領域で動作する単一光子検出器の設計を提案する。 単光子検出の忠実度はメタマテリアルの長さとともに増加し,実験的に現実的な長さで接近することを示す。 光領域で動作する従来の光子検出器とは対照的に、光子検出により光子を破壊せず、光子波束を最小限に乱す。
  論文  参考訳（メタデータ） (2020-05-13T18:00:03Z)

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。