論文の概要: Channel-Aware Probing for Multi-Channel Imaging

• arxiv url: http://arxiv.org/abs/2602.12696v1
• Date: Fri, 13 Feb 2026 08:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.885661
• Title: Channel-Aware Probing for Multi-Channel Imaging
• Title（参考訳）: マルチチャネルイメージングのためのチャネル認識探索
• Authors: Umar Marikkar, Syed Sameed Husain, Muhammad Awais, Sara Atito,
• Abstract要約: マルチチャネルイメージング(MCI)データを用いたビジョンエンコーダの訓練と評価は依然として困難である。 ChannelAware Probing (CAP)は、エンコーダとプローブの両方で特徴フローを制御することによって、固有のチャネル間多様性を利用する。
• 参考スコア（独自算出の注目度）: 9.507520646516719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training and evaluating vision encoders on Multi-Channel Imaging (MCI) data remains challenging as channel configurations vary across datasets, preventing fixed-channel training and limiting reuse of pre-trained encoders on new channel settings. Prior work trains MCI encoders but typically evaluates them via full fine-tuning, leaving probing with frozen pre-trained encoders comparatively underexplored. Existing studies that perform probing largely focus on improving representations, rather than how to best leverage fixed representations for downstream tasks. Although the latter problem has been studied in other domains, directly transferring those strategies to MCI yields weak results, even worse than training from scratch. We therefore propose Channel-Aware Probing (CAP), which exploits the intrinsic inter-channel diversity in MCI datasets by controlling feature flow at both the encoder and probe levels. CAP uses Independent Feature Encoding (IFE) to encode each channel separately, and Decoupled Pooling (DCP) to pool within channels before aggregating across channels. Across three MCI benchmarks, CAP consistently improves probing performance over the default probing protocol, matches fine-tuning from scratch, and largely reduces the gap to full fine-tuning from the same MCI pre-trained checkpoints. Code can be found in https://github.com/umarikkar/CAP.
• Abstract（参考訳）: マルチチャネルイメージング(MCI)データ上でのビジョンエンコーダのトレーニングと評価は、チャネル構成がデータセットによって異なるため困難であり、固定チャネルトレーニングが防止され、新しいチャネル設定での事前トレーニングエンコーダの再利用が制限される。 以前の作業列車はMCIエンコーダを訓練したが、通常は完全な微調整で評価し、凍結した事前訓練されたエンコーダの探索は比較的過小評価される。 探索を行う既存の研究は、下流タスクの固定表現を最大限活用する方法ではなく、表現の改善に重点を置いている。 後者の問題は、他の領域で研究されているが、これらの戦略を直接MCIに移すことは、スクラッチからのトレーニングよりも弱い結果をもたらす。 そこで我々は,MCIデータセットの内在的なチャネル間多様性を利用して,エンコーダとプローブレベルの特徴フローを制御するChannel-Aware Probing (CAP)を提案する。 CAPでは、各チャネルを別々にエンコードするためにIFE(Independent Feature Encoding)を使用しており、デカップリングプール(Decoupled Pooling、DCP)はチャネル間のアグリゲーション前にチャネル内のプールを行う。 3つのMCIベンチマークで、CAPはデフォルトのProbingプロトコルよりも常にパフォーマンスを向上し、スクラッチから微調整にマッチし、MCIが事前訓練したチェックポイントから完全に微調整するギャップを大幅に減らした。 コードはhttps://github.com/umarikkar/CAPにある。

関連論文リスト

• CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting [67.3477355449697]
  時系列データに対するチャネルワイド知覚損失(CP損失)を提案する。 我々は,その特性に適応した各チャネルに対して,独自の知覚空間を学習する。 これらの知覚空間内で損失を計算し、モデルを最適化する。
  論文  参考訳（メタデータ） (2026-01-25T15:31:37Z)
• Context Video Semantic Transmission with Variable Length and Rate Coding over MIMO Channels [49.624608869195065]
  無線ビデオ伝送のためのコンテキストビデオセマンティックトランスミッション(CVST)フレームワークを提案する。 我々は、特徴群と多重入力多重出力(MIMO)サブチャネルの関係を明確に定式化するために、コンテキストチャネル相関マップを学習する。 近年の無線ビデオ・セマンティック・コミュニケーション・アプローチにおいて,標準化された分離符号化方式に対して性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-12-23T10:48:43Z)
• ChA-MAEViT: Unifying Channel-Aware Masked Autoencoders and Multi-Channel Vision Transformers for Improved Cross-Channel Learning [27.124745103676734]
  ChA-MAEViTは、マルチチャネルイメージングチャネル間の特徴学習を強化するMAEベースの手法である。 我々はChA-MAEViTが最先端のMCI-ViTを3.0-21.5%上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-25T03:45:59Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• DeepJSCC-Q: Channel Input Constrained Deep Joint Source-Channel Coding [5.046831208137847]
  DeepJSCC-Qは、無線画像伝送のためのエンドツーエンドのジョイントソースチャネル符号化方式である。 チャネル条件が悪くなると、前処理で観察される画質の優雅な劣化が保たれる。
  論文  参考訳（メタデータ） (2021-11-25T11:59:17Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。