論文の概要: The phase unwrapping of under-sampled interferograms using radial basis function neural networks

• arxiv url: http://arxiv.org/abs/2210.10541v1
• Date: Wed, 19 Oct 2022 13:30:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 16:06:37.235588
• Title: The phase unwrapping of under-sampled interferograms using radial basis function neural networks
• Title（参考訳）: ラジアル基底関数ニューラルネットワークを用いたアンダーサンプリング干渉図の位相解離
• Authors: Pierre-Alexandre Gourdain, Aidan Bachmann
• Abstract要約: ニューラルネットワークは、2次元の干渉図から位相を解き放つように設計されている。 ネットワークは、勾配に基づく教師あり学習を用いて、並列および3段階のトレーニングを行うことができる。
• 参考スコア（独自算出の注目度）: 9.542104521099937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interferometry can measure the shape or the material density of a system that could not be measured otherwise by recording the difference between the phase change of a signal and a reference phase. This difference is always between $-\pi$ and $\pi$ while it is the absolute phase that is required to get a true measurement. There is a long history of methods designed to recover accurately this phase from the phase "wrapped" inside $]-\pi,\pi]$. However, noise and under-sampling limit the effectiveness of most techniques and require highly sophisticated algorithms that can process imperfect measurements. Ultimately, analysing successfully an interferogram amounts to pattern recognition, a task where radial basis function neural networks truly excel at. The proposed neural network is designed to unwrap the phase from two-dimensional interferograms, where aliasing, stemming from under-resolved regions, and noise levels are significant. The neural network can be trained in parallel and in three stages, using gradient-based supervised learning. Parallelism allows to handle relatively large data sets, but requires a supplemental step to synchronized the fully unwrapped phase across the different networks.
• Abstract（参考訳）: 干渉計は、信号の位相変化と基準位相との差を記録することで、他の方法で測定できないシステムの形状や物質密度を測定することができる。 この差は常に$-\pi$と$\pi$の間にあるが、真の測度を得るためには絶対位相である。 このフェーズを$]-\pi,\pi]$で"ラップ"したフェーズから正確に回復するように設計されたメソッドの長い歴史があります。 しかし、ノイズとアンダーサンプリングは、ほとんどの技術の有効性を制限し、不完全な測定を処理できる高度なアルゴリズムを必要とする。 最終的に、パターン認識の干渉図をうまく分析することは、放射状基底関数ニューラルネットワークが本当に優れているタスクである。 提案するニューラルネットワークは、2次元干渉図から位相を解き放つように設計されている。 ニューラルネットワークは、勾配に基づく教師付き学習を使用して、並列および3段階のトレーニングを行うことができる。 並列処理は比較的大きなデータセットを扱うことができるが、異なるネットワーク間で完全にラップされていないフェーズを同期させるには追加のステップが必要である。

関連論文リスト

• 3D-2D Neural Nets for Phase Retrieval in Noisy Interferometric Imaging [0.0]
  本稿では3次元2次元位相検索型U-Net(PRUNe)を導入し,ノイズとランダムに位相シフトした干渉図を入力とし,単一の2次元位相像を出力する。 3Dダウンサンプリング畳み込みエンコーダは、フレーム内およびフレーム間の相関をキャプチャして、2D遅延空間を生成し、2Dデコーダによって位相画像にアップサンプリングする。 PRUNe再構成は、より正確でスムーズな再構成を連続的に示し、低 (f) のインターフェログラムに対して、複数の信号-雑音比で x2.5 - 4 の平均2乗誤差を下方修正する。
  論文  参考訳（メタデータ） (2024-02-08T21:19:16Z)
• Coordinate-based Neural Network for Fourier Phase Retrieval [8.827173113748703]
  Single ImpliCit neurAl Network (SCAN) は、位相探索性能を向上させるために慎重に設計されたニューラルネットワークをコーディネートするツールである。 SCANは、教師なしの方法で、オブジェクト座標を統一ネットワーク内の振幅と位相に順応的に接続する。
  論文  参考訳（メタデータ） (2023-11-25T04:23:23Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Implicit Bias in Leaky ReLU Networks Trained on High-Dimensional Data [63.34506218832164]
  本研究では,ReLUを活性化した2層完全連結ニューラルネットワークにおける勾配流と勾配降下の暗黙的バイアスについて検討する。 勾配流には、均一なニューラルネットワークに対する暗黙のバイアスに関する最近の研究を活用し、リーク的に勾配流が2つ以上のランクを持つニューラルネットワークを生成することを示す。 勾配降下は, ランダムな分散が十分小さい場合, 勾配降下の1ステップでネットワークのランクが劇的に低下し, トレーニング中もランクが小さくなることを示す。
  論文  参考訳（メタデータ） (2022-10-13T15:09:54Z)
• 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)
• DeepPhaseCut: Deep Relaxation in Phase for Unsupervised Fourier Phase Retrieval [31.380061715549584]
  本稿では、フーリエ位相探索のための新しい、教師なしフィードフォワードニューラルネットワークを提案する。 ニューラルネットワークを正規化用語や、教師付きトレーニングのためのエンドツーエンドのブラックボックスモデルとして使用している既存のディープラーニングアプローチとは異なり、我々のアルゴリズムは、教師なし学習フレームワークにおけるPhaseCutアルゴリズムのフィードフォワードニューラルネットワーク実装である。 我々のネットワークは2つの生成器で構成されている: 1つは位相損失を用いた位相推定用で、もう1つは画像再構成用で、これらは全て一致したデータを持たないCycleGANフレームワークを用いて同時に訓練されている。
  論文  参考訳（メタデータ） (2020-11-20T16:10:08Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• A Joint Convolutional and Spatial Quad-Directional LSTM Network for Phase Unwrapping [7.716156977428555]
  本稿では,位相アンラッピングのための空間的四方向長短期記憶(SQD-LSTM)を組み込んだ新しい畳み込みニューラルネットワーク(CNN)を提案する。 提案手法は, 強騒音条件下での既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-10-26T01:04:19Z)
• Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
  解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。 この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。 本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T21:17:26Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。