論文の概要: The Gamma Generalized Normal Distribution: A Descriptor of SAR Imagery
- arxiv url: http://arxiv.org/abs/2206.01826v1
- Date: Fri, 3 Jun 2022 21:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 18:26:01.246484
- Title: The Gamma Generalized Normal Distribution: A Descriptor of SAR Imagery
- Title（参考訳）: ガンマ一般化正規分布:SAR画像の記述
- Authors: G. M. Cordeiro, R. J. Cintra, L. C. R\^ego, A. D. C. Nascimento
- Abstract要約: ガンマ一般化正規(GGN)と呼ばれる合成開口レーダ(SAR)画像のモデリングのための新しい分布を提案する。
新しい分布の数学的キャラクタリゼーションは、極限挙動を特定し、密度とモーメント展開を計算することによって提供される。
GGNモデルの性能は, 合成データと実データの両方で評価し, 最大推定と乱数生成について考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new four-parameter distribution for modeling synthetic aperture
radar (SAR) imagery named the gamma generalized normal (GGN) by combining the
gamma and generalized normal distributions. A mathematical characterization of
the new distribution is provided by identifying the limit behavior and by
calculating the density and moment expansions. The GGN model performance is
evaluated on both synthetic and actual data and, for that, maximum likelihood
estimation and random number generation are discussed. The proposed
distribution is compared with the beta generalized normal distribution (BGN),
which has already shown to appropriately represent SAR imagery. The performance
of these two distributions are measured by means of statistics which provide
evidence that the GGN can outperform the BGN distribution in some contexts.
- Abstract（参考訳）: 本稿では,ガンマ一般化正規分布と一般化正規分布を組み合わせた合成開口レーダ(sar)画像のモデル化のための新しい4パラメータ分布を提案する。
新しい分布の数学的キャラクタリゼーションは、極限挙動を特定し、密度とモーメント展開を計算することによって提供される。
GGNモデルの性能は、合成データと実データの両方で評価され、そのために最大推定と乱数生成について議論する。
提案した分布は,すでにSAR画像が適切に表現されているベータ一般化正規分布(BGN)と比較される。
これらの2つの分布のパフォーマンスは、GGNがいくつかの文脈でBGN分布より優れていることを示す統計によって測定される。
関連論文リスト
- Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Score-based generative models break the curse of dimensionality in
learning a family of sub-Gaussian probability distributions [5.801621787540268]
標準ガウス測度に対する相対密度の観点から確率分布の複雑性の概念を導入する。
パラメータが適切に有界なニューラルネットワークで対数相対密度を局所的に近似できるなら、経験的スコアマッチングによって生成された分布はターゲット分布を近似する。
本証明の重要な要素は,前処理に付随する真のスコア関数に対する次元自由深部ニューラルネットワーク近似率を導出することである。
論文 参考訳（メタデータ） (2024-02-12T22:02:23Z) - Effect of latent space distribution on the segmentation of images with
multiple annotations [5.054729045700466]
本稿では、ガウス分布のより一般的な形式を潜在空間分布として許容することにより、確率的U-ネットを拡張した一般化確率的U-Netを提案する。
脳内の肺腫瘍および白質過大度の基準セグメンテーションの変動を捉えるために,潜時空間分布の選択が与える影響について検討した。
論文 参考訳（メタデータ） (2023-04-26T12:00:00Z) - Hyperbolic VAE via Latent Gaussian Distributions [7.258394470200572]
本稿ではガウス多様体の変分オートエンコーダ(GM-VAE)を提案する。
実験では、画像データセットの密度推定とモデルベース強化学習における環境モデリングの2つのタスクにおけるGM-VAEの有効性を実証した。
論文 参考訳（メタデータ） (2022-09-30T04:09:06Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳（メタデータ） (2022-04-20T21:25:21Z) - Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian
Processes [8.4159776055506]
我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。
まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。
我々の新しい手法は他の最先端のDGP手法よりも優れている。
論文 参考訳（メタデータ） (2022-02-07T15:22:56Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳（メタデータ） (2020-03-02T04:31:22Z)
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。