Fugu-MT 論文翻訳(概要): PISE: Physics-Anchored Semantically-Enhanced Deep Computational Ghost Imaging for Robust Low-Bandwidth Machine Perception

論文の概要: PISE: Physics-Anchored Semantically-Enhanced Deep Computational Ghost Imaging for Robust Low-Bandwidth Machine Perception

arxiv url: http://arxiv.org/abs/2601.12551v1
Date: Sun, 18 Jan 2026 19:31:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.679448
Title: PISE: Physics-Anchored Semantically-Enhanced Deep Computational Ghost Imaging for Robust Low-Bandwidth Machine Perception
Title（参考訳）: PISE:ロバスト低帯域マシン知覚のための物理解析による深部計算ゴーストイメージング
Authors: Tong Wu,
Abstract要約: PISEは低帯域幅のエッジ知覚のための物理インフォームドディープゴーストイメージングフレームワークである。分類精度を2.57%向上し、バラツキを9倍から5%削減する。
参考スコア（独自算出の注目度）: 6.099441855983951
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose PISE, a physics-informed deep ghost imaging framework for low-bandwidth edge perception. By combining adjoint operator initialization with semantic guidance, PISE improves classification accuracy by 2.57% and reduces variance by 9x at 5% sampling.
Abstract（参考訳）: 低帯域幅エッジ認識のための物理インフォームドディープゴーストイメージングフレームワークPISEを提案する。隣接演算子の初期化と意味指導を組み合わせることで、PISEは分類精度を2.57%向上し、5%サンプリングで分散を9倍低減する。

関連論文リスト

XD-RCDepth: Lightweight Radar-Camera Depth Estimation with Explainability-Aligned and Distribution-Aware Distillation [9.693623829515131]
我々は、最先端の軽量ベースラインと比較してパラメータを29.7%削減する軽量アーキテクチャであるXD-RCDepthを提案する。本稿では,教師のサリエンシ構造を学生に伝達する説明可能性に整合した蒸留法と,識別されたビンに対する深度回帰をソフトな分類として再放送する深度分布蒸留法について紹介する。
論文参考訳（メタデータ） (2025-10-15T14:05:33Z)
Compact Implicit Neural Representations for Plane Wave Images [5.87226666953377]
平面波(PW)イメージングは、音化角度によって異なる人工物や影を生成する。 Inlicit Neural Representation (INR) を用いて,複数平面列をコンパクトに符号化する手法を提案する。
論文参考訳（メタデータ） (2024-09-17T17:18:57Z)
Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文参考訳（メタデータ） (2024-04-05T17:55:33Z)
Alternating Weak Triphone/BPE Alignment Supervision from Hybrid Model Improves End-to-End ASR [9.24160000451216]
エンド・ツー・エンドのモデルトレーニングを改善するために,弱い三声/BPEアライメントの監督を交互に行うことを提案する。トリホンまたはBPEアライメントに基づく弱監視が標準CTC補助損失よりもASR性能を向上させることを示す。
論文参考訳（メタデータ） (2024-02-23T20:26:54Z)
Low-Precision Mixed-Computation Models for Inference on Edge [5.0708247238537165]
本稿では,エッジアプリケーションのための混合計算ニューラルネットワーク処理手法を提案する。低精度(低幅)ポジットと低精度固定点(FixP)数システムを備えている。混合計算の精度はFixPよりも約1.5%高く、エネルギーオーバーヘッドは0.19%である。
論文参考訳（メタデータ） (2023-12-03T04:22:29Z)
Multi-Modal Neural Radiance Field for Monocular Dense SLAM with a Light-Weight ToF Sensor [58.305341034419136]
単眼カメラと軽量ToFセンサを備えた初の高密度SLAMシステムを提案する。本稿では,RGBカメラと軽量ToFセンサの両方の信号のレンダリングをサポートするマルチモーダル暗黙のシーン表現を提案する。実験により,本システムは軽量なToFセンサの信号をうまく利用し,競合的な結果が得られることが示された。
論文参考訳（メタデータ） (2023-08-28T07:56:13Z)
Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文参考訳（メタデータ） (2022-06-14T13:22:19Z)
Orthogonalising gradients to speed up neural network optimisation [0.0]
ニューラルネットワークの最適化は、最適化ステップの前に勾配を直交させ、学習された表現の多様化を保証することで、スピンアップすることができる。この手法を ImageNet と CIFAR-10 上でテストした結果,学習時間が大幅に減少し,半教師付き学習BarlowTwins の高速化が得られた。
論文参考訳（メタデータ） (2022-02-14T21:46:07Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
論文参考訳（メタデータ） (2021-03-07T00:15:44Z)
Multiplicative Reweighting for Robust Neural Network Optimization [51.67267839555836]
MW(multiplicative weight)更新は、専門家のアドバイスにより、適度なデータ破損に対して堅牢である。 MWはラベルノイズの存在下でニューラルネットワークの精度を向上することを示す。
論文参考訳（メタデータ） (2021-02-24T10:40:25Z)

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。