論文の概要: Reconstruction of Multivariate Sparse Signals from Mismatched Samples
- arxiv url: http://arxiv.org/abs/2212.07368v1
- Date: Wed, 14 Dec 2022 17:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 17:53:38.312509
- Title: Reconstruction of Multivariate Sparse Signals from Mismatched Samples
- Title(参考訳): ミスマッチサンプルからの多変量スパース信号の再構成
- Authors: Taulant Koka, Michael Muma and Benjam\'in B\'ejar Haro
- Abstract要約: サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。
興味のある信号が過剰に完備な辞書上でスパース表現を許すという仮定の下では、一意的な信号回復が可能であることを示す。
既存のメソッドは、回帰器のエラーに対して堅牢でも、問題の構造を悪用もしない。
- 参考スコア(独自算出の注目度): 4.348634924648789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Erroneous correspondences between samples and their respective channel or
target commonly arise in several real-world applications. For instance,
whole-brain calcium imaging of freely moving organisms, multiple target
tracking or multi-person contactless vital sign monitoring may be severely
affected by mismatched sample-channel assignments. To systematically address
this fundamental problem, we pose it as a signal reconstruction problem where
we have lost correspondences between the samples and their respective channels.
We show that under the assumption that the signals of interest admit a sparse
representation over an overcomplete dictionary, unique signal recovery is
possible. Our derivations reveal that the problem is equivalent to a structured
unlabeled sensing problem without precise knowledge of the sensing matrix.
Unfortunately, existing methods are neither robust to errors in the regressors
nor do they exploit the structure of the problem. Therefore, we propose a novel
robust two-step approach for the reconstruction of shuffled sparse signals. The
performance and robustness of the proposed approach is illustrated in an
application of whole-brain calcium imaging in computational neuroscience. The
proposed framework can be generalized to sparse signal representations other
than the ones considered in this work to be applied in a variety of real-world
problems with imprecise measurement or channel assignment.
- Abstract(参考訳): サンプルとそれぞれのチャネルまたはターゲット間の誤った対応は、いくつかの実世界の応用で一般的に発生する。
例えば、自由に動く生物の全脳カルシウムイメージング、複数の標的追跡、複数対人接触のないバイタルサインモニタリングは、ミスマッチしたサンプルチャネルの割り当てによって深刻な影響を受ける可能性がある。
この根本的な問題に体系的に対処するため,サンプルと各チャネルの対応が途絶えた信号再構成問題として機能する。
興味のある信号が過剰に完備な辞書上でスパース表現を許すという仮定の下では、ユニークな信号回復が可能となる。
以上より,この問題は,センシングマトリクスの正確な知識を伴わない構造的無ラベルセンシング問題と同値であることが判明した。
残念ながら、既存のメソッドは回帰器のエラーに対して堅牢ではないし、問題の構造を悪用しない。
そこで本研究では,シャッフルしたスパース信号の再構成のための2段階の頑健な手法を提案する。
提案手法の性能とロバスト性は計算神経科学における全脳カルシウムイメージングの応用で示される。
提案手法は,本研究で検討した信号表現以外のスパース信号表現に一般化することができ,不正確な測定やチャネル割り当てを伴う様々な実世界の問題に適用できる。
関連論文リスト
- Consistent Signal Reconstruction from Streaming Multivariate Time Series [5.448070998907116]
我々は,ストリーミング時系列データから一貫した信号再構成の概念を初めて定式化する。
提案手法は, 類似しているが非一貫性の再構成と比較して, サンプリングレートで良好な誤差速度の減衰を実現する。
論文 参考訳(メタデータ) (2023-08-23T22:50:52Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - 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) - Hierarchical compressed sensing [5.39680014668952]
圧縮センシングは、線形測定から構造化信号を回復する手段を提供する信号処理のパラダイムである。
本稿では,効率的な階層型ハードスレッディングに基づくリカバリアルゴリズムを提案する。
この機械を基盤として、機械型通信および量子トモグラフィーにおけるこのフレームワークの実践的応用をスケッチする。
論文 参考訳(メタデータ) (2021-04-06T18:00:01Z) - Fast signal recovery from quadratic measurements [0.0]
クロスコラージュデータからスパース信号を復元するための新しい手法を提案する。
提案手法の主な考え方は,未知行列の対角線のみを復元することにより,問題の次元性を低減することである。
提案手法は,データが騒がしくない場合の正確なサポート回復と,ノイズレベルに対する偽陽性が存在しないことを示す。
論文 参考訳(メタデータ) (2020-10-11T23:36:51Z) - Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor
Data Fusion Method [0.0]
本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。
アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。
我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
論文 参考訳(メタデータ) (2020-09-07T13:24:47Z) - Homomorphic Sensing of Subspace Arrangements [24.823689223437917]
ホモモルフィックセンシングは、与えられた線型写像の集まりの下で、その画像から線型部分空間内の点のユニークな回復を研究する。
単一部分空間の場合のユニークなリカバリを保証する条件を提供し、その結果を部分空間配置の場合まで拡張し、単一部分空間のユニークなリカバリが雑音下で局所的に安定であることを示す。
論文 参考訳(メタデータ) (2020-06-09T09:52:15Z) - 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) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-02-24T11:35:28Z)
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。