論文の概要: Pushing Joint Image Denoising and Classification to the Edge

• arxiv url: http://arxiv.org/abs/2409.08943v1
• Date: Fri, 13 Sep 2024 16:01:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 15:50:08.036553
• Title: Pushing Joint Image Denoising and Classification to the Edge
• Title（参考訳）: エッジへのイメージデノジングと分類のプッシュ
• Authors: Thomas C Markhorst, Jan C van Gemert, Osman S Kayhan,
• Abstract要約: 我々は、エッジデバイスが捉えたノイズの多い画像の人間の知覚を高めることを目的として、画像分類と画像復調を共同で組み合わせた。 当社のアプローチは,医療画像,監視システム,産業検査などの領域に適したアーキテクチャを構築するためのものです。
• 参考スコア（独自算出の注目度）: 10.560072953484166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we jointly combine image classification and image denoising, aiming to enhance human perception of noisy images captured by edge devices, like low-light security cameras. In such settings, it is important to retain the ability of humans to verify the automatic classification decision and thus jointly denoise the image to enhance human perception. Since edge devices have little computational power, we explicitly optimize for efficiency by proposing a novel architecture that integrates the two tasks. Additionally, we alter a Neural Architecture Search (NAS) method, which searches for classifiers to search for the integrated model while optimizing for a target latency, classification accuracy, and denoising performance. The NAS architectures outperform our manually designed alternatives in both denoising and classification, offering a significant improvement to human perception. Our approach empowers users to construct architectures tailored to domains like medical imaging, surveillance systems, and industrial inspections.
• Abstract（参考訳）: 本稿では,低照度防犯カメラなどのエッジデバイスが捉えたノイズ画像の人間の知覚を高めることを目的として,画像分類と画像デノーミングを併用する。 このような状況下では、人間の自動分類決定の検証能力を維持することが重要である。 エッジデバイスは計算能力が少ないため,この2つのタスクを統合する新しいアーキテクチャを提案することにより,効率を最適化する。 さらに、ターゲットのレイテンシ、分類精度、性能を最適化しながら、分類器を探索して統合モデルを探すニューラルネットワーク探索(NAS)法を変更した。 NASアーキテクチャは、分類と分類の両方において、手作業で設計した代替品よりも優れており、人間の知覚を大幅に改善しています。 当社のアプローチは,医療画像,監視システム,産業検査などの領域に適したアーキテクチャを構築するためのものです。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Image Reconstruction using Enhanced Vision Transformer [0.08594140167290097]
  画像のデノイング,デブロアリング,インペイントといったタスクに使用できる新しい画像再構成フレームワークを提案する。 このプロジェクトで提案されるモデルは、2次元画像を入力として取り込んで埋め込みを出力するビジョントランスフォーマー(ViT)に基づいている。 モデル再構築機能を改善するために,フレームワークに4つの最適化手法を組み込んだ。
  論文  参考訳（メタデータ） (2023-07-11T02:14:18Z)
• Single Cell Training on Architecture Search for Image Denoising [16.72206392993489]
  コンポーネントブロックレベルに着目して最適な探索問題を再構成する。 さらに,空間的およびチャネル的ミスマッチを扱うための,革新的な次元マッチングモジュールを統合する。 提案したDenoising Prior Neural Architecture Search (DPNAS) は、1つのGPUで1日で画像復元タスクの最適なアーキテクチャ検索を完了させることで実証した。
  論文  参考訳（メタデータ） (2022-12-13T04:47:24Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Hybrid Optimized Deep Convolution Neural Network based Learning Model for Object Detection [0.0]
  物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。 近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。 本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。 提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
  論文  参考訳（メタデータ） (2022-03-02T04:39:37Z)
• NeighCNN: A CNN based SAR Speckle Reduction using Feature preserving Loss Function [1.7188280334580193]
  NeighCNNは、乗法ノイズを処理するディープラーニングベースのスペックル削減アルゴリズムである。 様々な合成、および実際のSAR画像は、NeighCNNアーキテクチャのテストに使用される。
  論文  参考訳（メタデータ） (2021-08-26T04:20:07Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Superkernel Neural Architecture Search for Image Denoising [4.633161758939184]
  我々は、画像デノゲーションである密集予測タスクのためにNASを探索することに注力する。 コストのかかるトレーニング手順のため、画像強調のためのほとんどのNASソリューションは強化学習や進化的アルゴリズム探索に依存している。 本稿では,高密度予測のためのモデルの高速単発訓練を可能にするスーパーカーネル手法の効率的な実装について紹介する。 画像復調のためのSIDD+ベンチマークにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-04-19T14:52:22Z)

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。