論文の概要: Solving 3D Radar Imaging Inverse Problems with a Multi-cognition Task-oriented Framework

• arxiv url: http://arxiv.org/abs/2211.14989v1
• Date: Mon, 28 Nov 2022 01:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 20:07:40.457490
• Title: Solving 3D Radar Imaging Inverse Problems with a Multi-cognition Task-oriented Framework
• Title（参考訳）: 多認識タスク指向フレームワークを用いた3次元レーダイメージング逆問題の解法
• Authors: Xu Zhan, Xiaoling Zhang, Mou Wang, Jun Shi, Shunjun Wei, Tianjiao Zeng
• Abstract要約: 現在の方法では、タスク依存情報検索損失を被る未分化結果が得られる。 本稿では,タスク指向のイメージングフレームワークを提案する。 2つのシステムからのデータに対する実験は、提案されたフレームワークがタスク依存情報検索において現在のフレームワークよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 6.555841566781578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work focuses on 3D Radar imaging inverse problems. Current methods obtain undifferentiated results that suffer task-depended information retrieval loss and thus don't meet the task's specific demands well. For example, biased scattering energy may be acceptable for screen imaging but not for scattering diagnosis. To address this issue, we propose a new task-oriented imaging framework. The imaging principle is task-oriented through an analysis phase to obtain task's demands. The imaging model is multi-cognition regularized to embed and fulfill demands. The imaging method is designed to be general-ized, where couplings between cognitions are decoupled and solved individually with approximation and variable-splitting techniques. Tasks include scattering diagnosis, person screen imaging, and parcel screening imaging are given as examples. Experiments on data from two systems indicate that the pro-posed framework outperforms the current ones in task-depended information retrieval.
• Abstract（参考訳）: 本研究は3次元レーダ画像逆問題に焦点を当てる。 現在の方法では,タスク依存情報検索の損失を被った未分化の結果が得られており,タスク固有の要求を十分に満たさない。 例えば、偏光散乱エネルギーはスクリーンイメージングでは許容されるが、散乱診断では許容されない。 この問題に対処するため,我々は新しいタスク指向イメージングフレームワークを提案する。 撮像原理は、タスクの要求を得るために分析フェーズを通してタスク指向である。 画像モデルは、要求を埋め込んで満たすために正規化された多認識である。 本手法は,認識間のカップリングを近似法と可変スプリッティング法で個別に解く汎用的に設計されている。 例として、散乱診断、パーソンスクリーンイメージング、パーセルスクリーニングイメージングなどがある。 2つのシステムからのデータに対する実験は、提案されたフレームワークがタスク依存情報検索において現在のフレームワークよりも優れていることを示している。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• IMAFD: An Interpretable Multi-stage Approach to Flood Detection from time series Multispectral Data [9.960331908396379]
  本稿では,洪水検出のための多段階解析手法IMAFDを提案する。 大規模なリモートセンシングタスクに適した、自動的で効率的で解釈可能なソリューションを提供する。 上記のすべてのデータセットに対して、提案されたフレームワークは、解釈可能性と洞察を提供する他の方法と比較して、競争力のあるパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-13T16:47:53Z)
• Source Identification: A Self-Supervision Task for Dense Prediction [8.744460886823322]
  我々は、ソース識別(SI)と呼ばれる新しいセルフスーパービジョンタスクを提案する。 合成画像は、複数のソースイメージを融合させて生成され、融合された画像を考えると、ネットワークのタスクは元のイメージを再構築することである。 脳腫瘍分節と白質高強度分節という2つの医療画像分節課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-07-05T12:27:58Z)
• An Interactively Reinforced Paradigm for Joint Infrared-Visible Image Fusion and Saliency Object Detection [59.02821429555375]
  この研究は、野生の隠れた物体の発見と位置決めに焦点をあて、無人のシステムに役立てる。 経験的分析により、赤外線と可視画像融合(IVIF)は、難しい物体の発見を可能にする。 マルチモーダル・サリエント・オブジェクト検出(SOD)は、画像内の物体の正確な空間的位置を正確に記述する。
  論文  参考訳（メタデータ） (2023-05-17T06:48:35Z)
• DETA: Denoised Task Adaptation for Few-Shot Learning [135.96805271128645]
  数ショット学習におけるテスト時間タスク適応は、訓練済みのタスク非依存モデルに適応してタスク固有の知識を取得することを目的としている。 少数のサンプルしか得られないため、支持試料からのイメージノイズ(Xノイズ)またはラベルノイズ(Yノイズ)の悪影響を著しく増幅することができる。 Denoized Task Adaptation (DETA) は、既存のタスク適応アプローチに対して、最初に統合された画像とラベルをデノベートするフレームワークである。
  論文  参考訳（メタデータ） (2023-03-11T05:23:20Z)
• SOUP-GAN: Super-Resolution MRI Using Generative Adversarial Networks [9.201328999176402]
  本稿では,GAN(Perceptual-tuned Generative Adversarial Network)を用いたSOUP-GANというフレームワークを提案する。 本モデルは,新しい3D SR技術として期待でき,臨床と研究の両方に応用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-06-04T16:59:23Z)
• Dealing with Missing Modalities in the Visual Question Answer-Difference Prediction Task through Knowledge Distillation [75.1682163844354]
  我々は,視覚的質問応答拡散予測タスクから生じる欠落モダリティの問題に対処する。 本稿では,イメージ/質問/回答トリプレットを入力として,ベースラインを上回る「大きな」教師モデルを紹介する。
  論文  参考訳（メタデータ） (2021-04-13T06:41:11Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Tasks Integrated Networks: Joint Detection and Retrieval for Image Search [99.49021025124405]
  多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。 まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。 さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
  論文  参考訳（メタデータ） (2020-09-03T03:57:50Z)
• Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
  統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。 提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2020-06-19T16:52:16Z)
• Separation of target anatomical structure and occlusions in chest radiographs [2.0478628221188497]
  本稿では,無線画像から望ましくない視覚構造を抑圧する完全畳み込みネットワークを提案する。 提案アルゴリズムは高分解能CTスキャンから再構成されたラジオグラフィーと地上構造データを生成する。
  論文  参考訳（メタデータ） (2020-02-03T14:01:06Z)

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。