論文の概要: Shuffled Multi-Channel Sparse Signal Recovery
- arxiv url: http://arxiv.org/abs/2212.07368v3
- Date: Mon, 24 Jul 2023 12:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 00:22:03.959261
- Title: Shuffled Multi-Channel Sparse Signal Recovery
- Title(参考訳): シャッフルマルチチャネルスパース信号の再生
- Authors: Taulant Koka, Manolis C. Tsakiris, 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。
この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。
本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
- 参考スコア(独自算出の注目度): 16.333381000882486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mismatches 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. Assuming
that we have a sensing matrix for the underlying signals, we show that the
problem is equivalent to a structured unlabeled sensing problem, and establish
sufficient conditions for unique recovery. To the best of our knowledge, a
sampling result for the reconstruction of shuffled multi-channel signals has
not been considered in the literature and existing methods for unlabeled
sensing cannot be directly applied. We extend our results to the case where the
signals admit a sparse representation in an overcomplete dictionary (i.e., the
sensing matrix is not precisely known), and derive sufficient conditions for
the reconstruction of shuffled sparse signals. We propose a robust
reconstruction method that combines sparse signal recovery with robust linear
regression for the two-channel case. The performance and robustness of the
proposed approach is illustrated in an application related to whole-brain
calcium imaging. The proposed methodology 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やターゲットのミスマッチは、現実のアプリケーションでよく発生する。
例えば、自由移動生物の脳内カルシウムイメージング、マルチターゲット追跡、多人数非接触バイタルサインモニタリングは、サンプルチャネルのミスマッチ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。
基礎となる信号に対する検出行列が存在すると仮定すると、その問題は構造化されたラベルなしセンシング問題と等価であり、ユニークな回復のための十分な条件を確立する。
我々の知る限り, シャッフルしたマルチチャネル信号の再構成のためのサンプリング結果は文献では検討されておらず, 既存のラベルなしセンシング手法は直接適用できない。
我々は,過完全辞書において信号がスパース表現を許容する場合(すなわち,センシング行列が正確には知られていない場合)に結果を拡張し,シャッフルスパース信号の再構成に十分な条件を導出する。
そこで本研究では, スパース信号回復とロバスト線形回帰を組み合わせるロバスト再構成法を提案する。
提案手法の性能とロバスト性は全脳カルシウムイメージングに関する応用例で示される。
提案手法は,不正確な測定やチャネル割り当てを伴う実世界の様々な問題に適用できると考えられる信号以外の疎信号表現に一般化することができる。
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。