論文の概要: One-Bit Compressive Sensing: Can We Go Deep and Blind?
- arxiv url: http://arxiv.org/abs/2203.11278v1
- Date: Sun, 13 Mar 2022 16:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:47:39.441004
- Title: One-Bit Compressive Sensing: Can We Go Deep and Blind?
- Title（参考訳）: 1ビット圧縮センシング:深くて盲目になれるか?
- Authors: Yiming Zeng, Shahin Khobahi, Mojtaba Soltanalian
- Abstract要約: 1ビット圧縮センシングは、1ビット雑音測定から基礎となるスパース信号の正確な回復に関係している。
盲点回復を実現する新しいデータ駆動型モデルベース手法を提案する。
- 参考スコア（独自算出の注目度）: 15.231885712212083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-bit compressive sensing is concerned with the accurate recovery of an
underlying sparse signal of interest from its one-bit noisy measurements. The
conventional signal recovery approaches for this problem are mainly developed
based on the assumption that an exact knowledge of the sensing matrix is
available. In this work, however, we present a novel data-driven and
model-based methodology that achieves blind recovery; i.e., signal recovery
without requiring the knowledge of the sensing matrix. To this end, we make use
of the deep unfolding technique and develop a model-driven deep neural
architecture which is designed for this specific task. The proposed deep
architecture is able to learn an alternative sensing matrix by taking advantage
of the underlying unfolded algorithm such that the resulting learned recovery
algorithm can accurately and quickly (in terms of the number of iterations)
recover the underlying compressed signal of interest from its one-bit noisy
measurements. In addition, due to the incorporation of the domain knowledge and
the mathematical model of the system into the proposed deep architecture, the
resulting network benefits from enhanced interpretability, has a very small
number of trainable parameters, and requires very small number of training
samples, as compared to the commonly used black-box deep neural network
alternatives for the problem at hand.
- Abstract（参考訳）: 1ビット圧縮センシングは、その1ビットノイズ測定から興味のあるスパース信号の正確な回復に関係している。
この問題に対する従来の信号回復手法は主に、センシング行列の正確な知識が利用できるという仮定に基づいて開発された。
そこで本研究では,ブラインド回復を実現する新しいデータ駆動型モデルベース手法,すなわち,センシングマトリクスの知識を必要とせずに信号回復を行う方法を提案する。
この目的のために,我々はdeep unfolding技術を利用して,このタスク用に設計されたモデル駆動型深層ニューラルネットワークアーキテクチャを開発した。
提案したディープアーキテクチャは, 提案した1ビット雑音測定から, 得られた復調アルゴリズムを精度よく, かつ高速に(繰り返し数の観点から)復調できるような, 基礎となる未展開のアルゴリズムを活用することで, 代替のセンシング行列を学習することができる。
さらに、ドメイン知識とシステムの数学的モデルが提案されたディープアーキテクチャに組み込まれたことにより、ネットワークの利点は強化され、トレーニング可能なパラメータが非常に少なく、手元にある問題に対して一般的に使用されるブラックボックスのディープニューラルネットワーク代替品と比較して、非常に少ないトレーニングサンプルが必要となる。
関連論文リスト
- Deep Neural Network-assisted improvement of quantum compressed sensing tomography [0.0]
圧縮センシングによる初期再構成を改善するために,ディープニューラルネットワークを用いた後処理を提案する。
その考え方は、推定状態がネットワークのノイズの多い入力として扱われ、深い教師付き認知タスクを実行することである。
数値実験により,デノナイズ法により得られた改善を実演し,推論スキームのループ化の可能性を利用する。
論文 参考訳（メタデータ） (2024-05-16T12:41:25Z) - Neuromorphic Auditory Perception by Neural Spiketrum [27.871072042280712]
本研究では、時間変化のアナログ信号を効率的なスパイクパターンに変換するために、スパイク時相と呼ばれるニューラルスパイク符号化モデルを導入する。
このモデルは、様々な聴覚知覚タスクにおいて、スパイクニューラルネットワークのトレーニングを容易にする、正確に制御可能なスパイクレートを備えたスパースで効率的な符号化スキームを提供する。
論文 参考訳（メタデータ） (2023-09-11T13:06:19Z) - On Optimizing Back-Substitution Methods for Neural Network Verification [1.4394939014120451]
本稿では, 後方置換がより厳密な境界を生じさせるアプローチを提案する。
我々の技術は、多くの既存のシンボル境界伝搬技術に統合できるという意味で、一般的なものである。
論文 参考訳（メタデータ） (2022-08-16T11:16:44Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - An error-propagation spiking neural network compatible with neuromorphic
processors [2.432141667343098]
本稿では,局所的な重み更新機構を用いたバックプロパゲーションを近似したスパイクに基づく学習手法を提案する。
本稿では,重み更新機構による誤り信号のバックプロパゲートを可能にするネットワークアーキテクチャを提案する。
この研究は、超低消費電力混合信号ニューロモルフィック処理系の設計に向けた第一歩である。
論文 参考訳（メタデータ） (2021-04-12T07:21:08Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - Supervised Learning with First-to-Spike Decoding in Multilayer Spiking
Neural Networks [0.0]
本稿では,多層スパイキングニューラルネットワークを学習して分類問題を解くための教師あり学習手法を提案する。
提案した学習規則は、隠れニューロンが発する複数のスパイクをサポートし、決定論的出力層によって生成された最初のスパイク応答に依存することにより安定である。
また、入力データのコンパクト表現を形成するために、いくつかの異なるスパイクベースの符号化戦略についても検討する。
論文 参考訳（メタデータ） (2020-08-16T15:34:48Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。