論文の概要: RDFNet: Regional Dynamic FISTA-Net for Spectral Snapshot Compressive Imaging

• arxiv url: http://arxiv.org/abs/2302.02519v1
• Date: Mon, 6 Feb 2023 01:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 17:48:45.964585
• Title: RDFNet: Regional Dynamic FISTA-Net for Spectral Snapshot Compressive Imaging
• Title（参考訳）: RDFNet:スペクトルスナップショット圧縮画像のための局所動的FISTA-Net
• Authors: Shiyun Zhou, Tingfa Xu, Shaocong Dong and Jianan Li
• Abstract要約: 本稿では,FISTA(Fast Iterative Shrinkage-Thresholding Algorithm)を用いた局所的動的手法を提案する。 次に、このプロセスをRDFNetと呼ばれる階層的な動的深層ネットワークに展開する。 提案する地域動的アーキテクチャは,画素単位で適切な縮小スケールを学習することができる。
• 参考スコア（独自算出の注目度）: 11.627511305913476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks have recently shown promising results in compressive spectral reconstruction. Previous methods, however, usually adopt a single mapping function for sparse representation. Considering that different regions have distinct characteristics, it is desirable to apply various mapping functions to adjust different regions' transformations dynamically. With this in mind, we first introduce a regional dynamic way of using Fast Iterative Shrinkage-Thresholding Algorithm (FISTA) to exploit regional characteristics and derive dynamic sparse representations. Then, we propose to unfold the process into a hierarchical dynamic deep network, dubbed RDFNet. The network comprises multiple regional dynamic blocks and corresponding pixel-wise adaptive soft-thresholding modules, respectively in charge of region-based dynamic mapping and pixel-wise soft-thresholding selection. The regional dynamic block guides the network to adjust the transformation domain for different regions. Equipped with the adaptive soft-thresholding, our proposed regional dynamic architecture can also learn appropriate shrinkage scale in a pixel-wise manner. Extensive experiments on both simulated and real data demonstrate that our method outperforms prior state-of-the-arts.
• Abstract（参考訳）: 深層畳み込みニューラルネットワークは、最近圧縮スペクトル再構成に有望な結果を示している。 しかし、従来のメソッドは通常、スパース表現に単一のマッピング関数を採用する。 異なる領域に異なる特徴があることを考えると、異なる領域の変換を動的に調整するために様々なマッピング関数を適用することが望ましい。 そこで我々はまず,FISTA(Fast Iterative Shrinkage-Thresholding Algorithm)を用いて,局所特性を利用して動的スパース表現を導出する手法を提案する。 次に,rdfnetと呼ばれる階層的動的深層ネットワークにプロセスを広げる手法を提案する。 ネットワークは、複数の領域動的ブロックと対応する画素順適応ソフトthresholdingモジュールで構成され、それぞれ領域ベースのダイナミックマッピングと画素順ソフトthresholding選択を担当している。 地域ダイナミックブロックは、異なる領域の変換ドメインを調整するためにネットワークを誘導する。 適応型ソフトスレッショニングを備えることで,提案する地域動的アーキテクチャは,ピクセル単位で適切な縮小スケールを学習できる。 シミュレーションデータと実データの両方について広範な実験を行った結果,本手法が先行研究よりも優れていた。

関連論文リスト

• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Efficient and Explicit Modelling of Image Hierarchies for Image Restoration [120.35246456398738]
  本研究では,画像復元のためのグローバル,地域,地域領域における画像階層を効率的に,かつ明示的にモデル化する機構を提案する。 そこで本研究では, 空間と時間的複雑性のバランスが良く, 固定されたストライプ自己注意を提案する。 そこで我々はGlobal, Regional, Local Rangeにおける画像階層を明示的にモデル化するGRLと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-01T18:59:29Z)
• Hierarchical Dynamic Image Harmonization [15.886047676987316]
  本稿では,高効率な画像調和における特徴変換のために,特徴を局所的からグローバル的視点に適応させる階層型動的ネットワーク(HDNet)を提案する。 提案したHDNetは,従来の手法と比較して,モデル全体のパラメータを80%以上削減する。 特に、HDNetはPSNRの4%改善とMSEの19%削減を実現している。
  論文  参考訳（メタデータ） (2022-11-16T03:15:19Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• Domain Adaptive Semantic Segmentation with Regional Contrastive Consistency Regularization [19.279884432843822]
  本稿では,領域適応型セマンティックセマンティックセグメンテーションのための局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。 私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
  論文  参考訳（メタデータ） (2021-10-11T11:45:00Z)
• Dynamic Dual Sampling Module for Fine-Grained Semantic Segmentation [27.624291416260185]
  動的親和性モデリングを行い,意味的コンテキストを局所的な詳細に伝達する動的デュアルサンプリングモジュール(DDSM)を提案する。 City と Camvid のデータセットによる実験結果から,提案手法の有効性と有効性について検証した。
  論文  参考訳（メタデータ） (2021-05-25T04:25:47Z)
• Regional Attention with Architecture-Rebuilt 3D Network for RGB-D Gesture Recognition [7.475025465262353]
  ジェスチャー認識のためのアーキテクチャ再構築型3Dネットワーク(RAAR3DNet)を提案する。 我々は、ニューラルネットワークサーチ(NAS)を介して、ネットワークを介して自動的に再構築された構造に固定されたインセプションモジュールを置き換える。 これにより、ネットワークは異なるレイヤにおけるさまざまなレベルの特徴表現をより適応的にキャプチャできる。
  論文  参考訳（メタデータ） (2021-02-10T09:36:00Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
  高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。 ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。 本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:18:37Z)

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。