Fugu-MT 論文翻訳(概要): Blind Source Separation Based on Sparsity

論文の概要: Blind Source Separation Based on Sparsity

arxiv url: http://arxiv.org/abs/2504.19124v1
Date: Sun, 27 Apr 2025 06:42:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.142794
Title: Blind Source Separation Based on Sparsity
Title（参考訳）: 空間性に基づくブラインド音源分離
Authors: Zhongxuan Li,
Abstract要約: ブラインドソース分離(ブラインドソース分離、BSS)は、アレイ処理とデータ解析において重要な技術である。ボックス座標緩和 MCA アルゴリズムはマルチチャネル MCA と一般化 MCA で用いられる。ブロック分離辞書を学習することでK-SVDを向上させる改良されたアルゴリズム SAC+BK-SVD を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Blind source separation (BSS) is a key technique in array processing and data analysis, aiming to recover unknown sources from observed mixtures without knowledge of the mixing matrix. Classical independent component analysis (ICA) methods rely on the assumption that sources are mutually independent. To address limitations of ICA, sparsity-based methods have been introduced, which decompose source signals sparsely in a predefined dictionary. Morphological Component Analysis (MCA), based on sparse representation theory, assumes that a signal is a linear combination of components with distinct geometries, each sparsely representable in one dictionary and not in others. This approach has recently been applied to BSS with promising results. This report reviews key approaches derived from classical ICA and explores sparsity-based methods for BSS. It introduces the theory of sparse representation and decomposition, followed by a block coordinate relaxation MCA algorithm, whose variants are used in Multichannel MCA (MMCA) and Generalized MCA (GMCA). A local dictionary learning method using K-SVD is then presented. Finally, we propose an improved algorithm, SAC+BK-SVD, which enhances K-SVD by learning a block-sparsifying dictionary that clusters and updates similar atoms in blocks. The implementation includes experiments on image segmentation and blind image source separation using the discussed techniques. We also compare the proposed block-sparse dictionary learning algorithm with K-SVD. Simulation results demonstrate that our method yields improved blind image separation quality.
Abstract（参考訳）: ブラインドソース分離 (BSS) は、アレイ処理とデータ解析において重要な技術であり、混合行列を知らずに観測された混合物から未知のソースを回収することを目的としている。古典的独立成分分析(ICA)法は、ソースが相互独立であるという仮定に依存している。 ICAの限界に対処するために、あらかじめ定義された辞書でソース信号がスパースに分解されるスペーサ性に基づく手法が導入された。形態素成分分析(MCA)はスパース表現理論に基づいて、信号が異なる測地を持つ成分の線形結合であると仮定する。このアプローチは最近、有望な結果でBSSに適用されている。本報告では,古典的ICAからの鍵となるアプローチを概説し,BSSのスパーシティに基づく手法について検討する。スパース表現と分解の理論を導入し、次にブロック座標緩和MCAアルゴリズムを導入し、その変種はMulti channel MCA (MMCA) と Generalized MCA (GMCA) で使用されている。次に、K-SVDを用いたローカル辞書学習方法を示す。最後に,ブロック分割辞書を学習し,類似の原子をブロック内でクラスタ化し,更新することにより,K-SVDを向上させる改良アルゴリズムであるSAC+BK-SVDを提案する。この実装には,提案手法を用いた画像分割とブラインド画像ソース分離の実験が含まれている。また,提案したブロックスパース辞書学習アルゴリズムとK-SVDを比較した。シミュレーションの結果,視線分離精度の向上が示された。

関連論文リスト

Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。スパース・アンミキシングの代替手法の有効性を実証する。
論文参考訳（メタデータ） (2024-01-23T10:07:41Z)
Nonparametric Evaluation of Noisy ICA Solutions [5.749787074942513]
ブラインドソース分離(BSS)モデルとして独立成分分析(ICA)が1980年代に導入された。任意のガウス雑音を持つICAの正しいアルゴリズムを適応的に選択する非パラメトリックスコアを開発する。
論文参考訳（メタデータ） (2024-01-16T16:18:17Z)
Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文参考訳（メタデータ） (2023-06-26T04:12:40Z)
Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文参考訳（メタデータ） (2023-05-12T03:01:41Z)
Semi-Blind Source Separation with Learned Constraints [1.2891210250935146]
ブラインドソース分離 (BSS) アルゴリズムは、ハイパースペクトルデータ解析のための教師なしの手法である。本稿では,予測された最小二乗アルゴリズムと学習に基づく正規化スキームを組み合わせた半教師付きソース分離手法について検討する。これにより、物理的に解釈可能な解を提供する精度が向上し、革新的なBSSアルゴリズムが実現できることが示される。
論文参考訳（メタデータ） (2022-09-27T17:58:23Z)
Mining Relations among Cross-Frame Affinities for Video Semantic Segmentation [87.4854250338374]
関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
論文参考訳（メタデータ） (2022-07-21T12:12:36Z)
Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文参考訳（メタデータ） (2022-03-29T21:00:39Z)
Dictionary-based Low-Rank Approximations and the Mixed Sparse Coding problem [7.132368785057316]
本稿では、LASSOに基づく効率的なMSC解法を用いて、辞書に基づく行列分解と正準多進分解を計算する方法を示す。超スペクトル画像処理と化学計測の文脈における辞書に基づく行列分解と正準多進分解の計算に、LASSOに基づく効率的なMSC解法を適用する方法を示す。
論文参考訳（メタデータ） (2021-11-24T10:32:48Z)
Discriminative Dictionary Learning based on Statistical Methods [0.0]
信号やデータのスパース表現(SR)は厳密な数学的誤り境界と証明を持つ十分に確立された理論を持つ。最小損失の信号群を表現した辞書を辞書学習(DL)という。 MODとK-SVDは、画像「デノイング」や「インペインティング」といった画像処理における再構成ベースの応用に成功している。
論文参考訳（メタデータ） (2021-11-17T10:45:10Z)
Deep learning based dictionary learning and tomographic image reconstruction [0.0]
本研究は, 疎信号処理の原理と深層学習の考え方を組み合わせた低用量断層撮影における画像再構成手法を提案する。まず、統計的観点からの辞書によるスパース信号表現と辞書学習を、生成モデルから真信号の実証的分布に現れる分布を整列する過程として解釈する。その結果、学習辞書を用いたスパース符号化は、デコーダが線形関数であり、エンコーダがスパース符号化アルゴリズムである特定の変分オートエンコーダに類似していることが分かる。
論文参考訳（メタデータ） (2021-08-26T12:10:17Z)
Locality Constrained Analysis Dictionary Learning via K-SVD Algorithm [6.162666237389167]
合成K-SVDアルゴリズム(SK-LADL)を用いた新しい局所性制約分析辞書学習モデルを提案する。画像データの幾何学的構造を明らかにするためにグラフ正規化を課すことにより、本質的な幾何学的性質を考察する。学習した解析辞書を通して、画像は多様体の仮定をさらに保証できる新しいコンパクトな空間に変換される。
論文参考訳（メタデータ） (2021-04-29T05:58:34Z)
CIMON: Towards High-quality Hash Codes [63.37321228830102]
我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
論文参考訳（メタデータ） (2020-10-15T14:47:14Z)

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。