論文の概要: Noise Adaption Network for Morse Code Image Classification

• arxiv url: http://arxiv.org/abs/2410.19180v1
• Date: Thu, 24 Oct 2024 22:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:36:39.741740
• Title: Noise Adaption Network for Morse Code Image Classification
• Title（参考訳）: モース符号画像分類のための雑音適応ネットワーク
• Authors: Xiaxia Wang, XueSong Leng, Guoping Xu,
• Abstract要約: モース符号画像の伝送は、様々なノイズや歪みのために困難に直面している。 既存の手法は主に、単一種類のノイズに影響されたモールス符号画像の分類に重点を置いている。 モース符号画像分類のための新しい2段階手法であるノイズ適応ネットワーク(NANet)を提案する。
• 参考スコア（独自算出の注目度）: 0.3031375888004876
• License:
• Abstract: The escalating significance of information security has underscored the per-vasive role of encryption technology in safeguarding communication con-tent. Morse code, a well-established and effective encryption method, has found widespread application in telegraph communication and various do-mains. However, the transmission of Morse code images faces challenges due to diverse noises and distortions, thereby hindering comprehensive clas-sification outcomes. Existing methodologies predominantly concentrate on categorizing Morse code images affected by a single type of noise, neglecting the multitude of scenarios that noise pollution can generate. To overcome this limitation, we propose a novel two-stage approach, termed the Noise Adaptation Network (NANet), for Morse code image classification. Our method involves exclusive training on pristine images while adapting to noisy ones through the extraction of critical information unaffected by noise. In the initial stage, we introduce a U-shaped network structure designed to learn representative features and denoise images. Subsequently, the second stage employs a deep convolutional neural network for classification. By leveraging the denoising module from the first stage, our approach achieves enhanced accuracy and robustness in the subsequent classification phase. We conducted an evaluation of our approach on a diverse dataset, encom-passing Gaussian, salt-and-pepper, and uniform noise variations. The results convincingly demonstrate the superiority of our methodology over existing approaches. The datasets are available on https://github.com/apple1986/MorseCodeImageClassify
• Abstract（参考訳）: 情報セキュリティの重要性の増大は、通信コンテントの保護において、暗号化技術が多岐にわたる役割を担っていることを暗示している。 十分に確立された効果的な暗号化手法であるモールス符号は、電信通信や様々なDo-mainに広く応用されている。 しかし、モース符号画像の伝送は、様々なノイズや歪みによって困難に直面するため、包括的クラシフィケーション結果の妨げとなる。 既存の手法は主に、単一ノイズの影響を受けるモース符号の分類に重点を置いており、ノイズ汚染が生み出す多くのシナリオを無視している。 この制限を克服するために、モース符号画像分類のための新しい2段階アプローチであるノイズ適応ネットワーク(NANet)を提案する。 本手法では,ノイズの影響を受けない臨界情報の抽出によってノイズに適応しながら,プリズム画像の排他的訓練を行う。 初期の段階では、代表的特徴を学習し、画像を装飾するために設計されたU字型ネットワーク構造を導入する。 その後、第2段階は深い畳み込みニューラルネットワークを用いて分類する。 第1段階からデノナイジングモジュールを活用することで,その後の分類段階における精度の向上とロバスト性を実現する。 提案手法を多種多様なデータセット, 共振型ガウス, ソルト・アンド・ペッパー, および一様雑音変動で評価した。 その結果,既存のアプローチよりも方法論が優れていることを示すことができた。 データセットはhttps://github.com/apple 1986/MorseCodeImageClassifyで入手できる。

関連論文リスト

• Policy Gradient-Driven Noise Mask [3.69758875412828]
  本稿では,マルチモーダル・マルチオーガナイズドデータセットの性能向上に適した条件付きノイズマスクの生成を学習する,新しい事前学習パイプラインを提案する。 重要な側面は、ポリシーネットワークの役割が微調整の前に中間的な(または加熱された)モデルを取得することに限定されていることである。 その結果、中間モデルの微調整は、分類と一般化の両方の従来の訓練アルゴリズムよりも、目に見えない概念タスクに優れていた。
  論文  参考訳（メタデータ） (2024-04-29T23:53:42Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network [36.860069663770226]
  レイヤアテンションに基づく耐雑音性ネットワークLANTNetを提案する。 特に、異なる畳み込み層の機能を適応的に重み付けするレイヤーアテンションモジュールを設計する。 3つのSARデータセットの実験結果から,提案したLANTNetは,複数の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-09T01:04:39Z)
• 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)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Multi-Stage Residual Hiding for Image-into-Audio Steganography [40.669605041776954]
  本稿では,音声キャリアに画像コンテンツを隠蔽するクロスモーダルステガノグラフィー手法を提案する。 提案するフレームワークはペイロード容量の制御をより柔軟にする。 実験によると、キャリアの変更は人間のリスナーには気づかない。
  論文  参考訳（メタデータ） (2021-01-06T05:01:45Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。