論文の概要: Wave-informed dictionary learning for high-resolution imaging in complex media

• arxiv url: http://arxiv.org/abs/2310.12990v1
• Date: Fri, 22 Sep 2023 01:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-29 16:21:58.774472
• Title: Wave-informed dictionary learning for high-resolution imaging in complex media
• Title（参考訳）: 複合メディアにおける高分解能画像のためのウェーブインフォームディクショナリ学習
• Authors: Miguel Moscoso, Alexei Novikov, George Papanicolaou and Chrysoula Tsogka
• Abstract要約: 本稿では,大規模かつ多様なデータセットが利用可能である場合の散乱媒質のイメージング手法を提案する。 提案手法は,同種媒質の分解能を有する複雑な媒体に画像を提供することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an approach for imaging in scattering media when large and diverse data sets are available. It has two steps. Using a dictionary learning algorithm the first step estimates the true Green's function vectors as columns in an unordered sensing matrix. The array data comes from many sparse sets of sources whose location and strength are not known to us. In the second step, the columns of the estimated sensing matrix are ordered for imaging using Multi-Dimensional Scaling with connectivity information derived from cross-correlations of its columns, as in time reversal. For these two steps to work together we need data from large arrays of receivers so the columns of the sensing matrix are incoherent for the first step, as well as from sub-arrays so that they are coherent enough to obtain the connectivity needed in the second step. Through simulation experiments, we show that the proposed approach is able to provide images in complex media whose resolution is that of a homogeneous medium.
• Abstract（参考訳）: 本研究では,多種多様なデータセットが利用可能である場合の散乱媒質のイメージング手法を提案する。 ステップは2つある。 辞書学習アルゴリズムを用いて、最初のステップは、真のグリーン関数ベクトルを無秩序なセンシング行列の列として推定する。 配列データは、位置と強さが分かっていない多くのスパースなソースセットから来ています。 第2のステップでは、推定されたセンシングマトリクスのコラムを、時間反転のように、コラムの相互相関に由来する接続情報と多次元スケーリングを用いて撮像するために順序付けする。 これら2つのステップを連携させるためには,センサマトリックスの列が第1ステップで不整合となるように,受信機の大規模な配列からのデータと,第2ステップで必要な接続性を得るのに十分な整合性を持つようにサブアレイからのデータが必要である。 シミュレーション実験により,提案手法は,均質媒質の分解能を有する複雑な媒体に画像を提供することができることを示した。

関連論文リスト

• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Color Image Recovery Using Generalized Matrix Completion over Higher-Order Finite Dimensional Algebra [10.10849889917933]
  従来の2階行列モデルをより包括的な高階行列同値に拡張し、「t-行列」モデルと呼ぶ。 この "t-matrix" モデルは、一般的に使用される行列およびテンソル完備化アルゴリズムを高階バージョンに拡張するために使用される。
  論文  参考訳（メタデータ） (2023-08-04T15:06:53Z)
• A network community detection method with integration of data from multiple layers and node attributes [0.0]
  列がノードに対応し、列がデータ項目に対応しているデータマトリックスにおいて、ネットワークデータを単純な方法で表現する方法を提案する。 データ行列を圧縮するためには、非平方行列に対する正規分解法と呼ばれる拡張を提案する。 提案手法を,インターネットの自律システムグラフとワールドエアライングラフの2つの実ネットワークで説明する。
  論文  参考訳（メタデータ） (2023-05-22T13:15:36Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Deep Self-Adaptive Hashing for Image Retrieval [16.768754022585057]
  2つの特殊設計で意味情報を適応的にキャプチャするtextbfDeep Self-Adaptive Hashing(DSAH)モデルを提案する。 まず,近辺型類似度行列を構築し,その初期類似度行列を新しい更新戦略で改良する。 第2に、PICを用いたデータペアの優先度を測定し、それらに適応重みを割り当てる。これは、より異種なデータペアがハッシュ学習のためのより差別的な情報を含んでいるという仮定に依存する。
  論文  参考訳（メタデータ） (2021-08-16T13:53:20Z)
• Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
  我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。 次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。 最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。 本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-08-25T06:00:06Z)
• Ordinary Differential Equation and Complex Matrix Exponential for Multi-resolution Image Registration [6.59529078336196]
  本研究では、実行列指数上で複素行列指数(CME)を用いて変換行列を計算することを強調する。 CMEは理論上より適しており、我々の実験が示すように、事実上より高速な収束を提供する。 提案手法は, 市販の, 人気の高い, 最先端の画像登録ツールボックスに比べて, はるかに優れた登録を行う。
  論文  参考訳（メタデータ） (2020-07-27T16:51:25Z)
• Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
  深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。 既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。 本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:35:24Z)
• Set Based Stochastic Subsampling [85.5331107565578]
  本稿では,2段階間ニューラルサブサンプリングモデルを提案する。 画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-25T07:36:47Z)
• Data Augmentation for Histopathological Images Based on Gaussian-Laplacian Pyramid Blending [59.91656519028334]
  データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。 本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。 BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
  論文  参考訳（メタデータ） (2020-01-31T22:02:57Z)

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。