論文の概要: Integrated Image Reconstruction and Target Recognition based on Deep Learning Technique

• arxiv url: http://arxiv.org/abs/2505.04836v1
• Date: Wed, 07 May 2025 22:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.690159
• Title: Integrated Image Reconstruction and Target Recognition based on Deep Learning Technique
• Title（参考訳）: 深層学習技術に基づく統合画像再構成と目標認識
• Authors: Cien Zhang, Jiaming Zhang, Jiajun He, Okan Yurduseven,
• Abstract要約: Att-ClassiGAN は,従来の CMI アプローチと比較して,再建時間を大幅に短縮する。 改良された正規化平均二乗誤差(NMSE)、より高い構造類似度指数(SSIM)、再建対象に対するより良い分類結果を提供する。
• 参考スコア（独自算出の注目度）: 3.3410072288157155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational microwave imaging (CMI) has gained attention as an alternative technique for conventional microwave imaging techniques, addressing their limitations such as hardware-intensive physical layer and slow data collection acquisition speed to name a few. Despite these advantages, CMI still encounters notable computational bottlenecks, especially during the image reconstruction stage. In this setting, both image recovery and object classification present significant processing demands. To address these challenges, our previous work introduced ClassiGAN, which is a generative deep learning model designed to simultaneously reconstruct images and classify targets using only back-scattered signals. In this study, we build upon that framework by incorporating attention gate modules into ClassiGAN. These modules are intended to refine feature extraction and improve the identification of relevant information. By dynamically focusing on important features and suppressing irrelevant ones, the attention mechanism enhances the overall model performance. The proposed architecture, named Att-ClassiGAN, significantly reduces the reconstruction time compared to traditional CMI approaches. Furthermore, it outperforms current advanced methods, delivering improved Normalized Mean Squared Error (NMSE), higher Structural Similarity Index (SSIM), and better classification outcomes for the reconstructed targets.
• Abstract（参考訳）: 計算マイクロ波イメージング(CMI)は従来のマイクロ波イメージング技術に代わる技術として注目されており、ハードウェア集約的な物理層や遅いデータ収集速度などの制限に対処している。 これらの利点にもかかわらず、CMIは、特に画像再構成の段階で、注目すべき計算ボトルネックに直面している。 この設定では、画像復元とオブジェクト分類の両方が重要な処理要求を示す。 これらの課題に対処するため、我々の以前の研究は、画像の再構築と、後方散乱信号のみを用いたターゲットの分類を同時に行うために設計された、生成的なディープラーニングモデルであるClassiGANを導入しました。 本研究では,クラスiGANにアテンションゲートモジュールを組み込むことで,その枠組みを構築した。 これらのモジュールは、特徴抽出を洗練し、関連する情報の識別を改善することを意図している。 重要な特徴に動的に集中し、無関係な特徴を抑制することにより、注意機構は全体のモデル性能を高める。 Att-ClassiGAN という名称で提案されたアーキテクチャは,従来の CMI アプローチと比較して,再構築時間を大幅に短縮する。 さらに、現在の高度な手法よりも優れており、改良された正規化平均正方形誤差(NMSE)、高構造類似度指数(SSIM)、再建された目標に対するより良い分類結果を提供する。

関連論文リスト

• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Hierarchical Information Flow for Generalized Efficient Image Restoration [108.83750852785582]
  画像復元のための階層型情報フロー機構であるHi-IRを提案する。 Hi-IRは、劣化した画像を表す階層的な情報ツリーを3段階にわたって構築する。 7つの共通画像復元タスクにおいて、Hi-IRはその有効性と一般化性を達成する。
  論文  参考訳（メタデータ） (2024-11-27T18:30:08Z)
• TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [8.301957310590712]
  本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。 Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。 実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-11T06:31:56Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach [8.904269561863103]
  本研究の目的は,心画像再構成の文脈において,深層学習モデルに組み込まれた注意機構の未発達の可能性を探ることである。 我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。 本稿では,心臓画像再構成の課題に特化して最適化された,シンプルで効果的な注目パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-10T11:47:51Z)
• Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
  グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。 GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。 グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
  論文  参考訳（メタデータ） (2024-03-23T08:57:46Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Generalized Implicit Neural Representation for Efficient MRI Parallel Imaging Reconstruction [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 フレームワークのINRモデルは、完全にサンプリングされたMR画像を空間座標と以前のボクセル固有の特徴の連続関数として扱う。 公開されているMRIデータセットの実験は、複数の加速度因子で画像を再構成する際の提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。