論文の概要: Training Neural Networks to Approach the Optimum Bayes Estimator in Dense Multi-Emitter Localization

• arxiv url: http://arxiv.org/abs/2609.20465v1
• Date: Thu, 17 Sep 2026 14:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.321067
• Title: Training Neural Networks to Approach the Optimum Bayes Estimator in Dense Multi-Emitter Localization
• Title（参考訳）: ニューラルネットワークによる高密度マルチエミッタ位置推定における最適ベイズ推定器の学習
• Abstract要約: 合成フレーム上のニューラルネットワークは、ベイベイ高密度エミッタの局在に近づく。 この結果は、高FO-V超時間分解能を達成するためにニューラルネットワークをトレーニングする将来の取り組みを正当化する。
• 参考スコア（独自算出の注目度）: 3.022076837364459
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We train neural networks on synthesized frames to approach the optimum Bayes estimator for dense emitter localization. The result justifies the future work on training neural networks to achieve high-throughput large-FOV super spatiotemporal resolution SMLM.
• Abstract（参考訳）: 我々は、合成フレーム上でニューラルネットワークをトレーニングし、高密度エミッタローカライゼーションのための最適ベイズ推定器にアプローチする。 この結果は,高スループット大FOV超時空間分解能SMLMを実現するために,ニューラルネットワークのトレーニングに関する今後の取り組みを正当化するものである。

関連論文リスト

• Encoding Optimization for Low-Complexity Spiking Neural Network Equalizers in IM/DD Systems [49.34817254755008]
  スパイキングニューラルネットワーク(SNN)の最適化のための強化学習に基づくアルゴリズムを提案する。 IM/DDシステムにおけるSNNベースの等化器とデマッパーに適用することにより,計算負荷とネットワークサイズを低減し,性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-19T12:32:13Z)
• Learning Rate Optimization for Deep Neural Networks Using Lipschitz Bandits [9.361762652324968]
  適切に調整された学習率によって、より高速なトレーニングとテストの精度が向上する。 本稿では,ニューラルネットワークの学習速度を調整するためのLipschitz bandit-drivenアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-15T16:21:55Z)
• Concentration inequalities and optimal number of layers for stochastic deep neural networks [1.332560004325655]
  深層ニューラルネットワーク(SDNN)の隠れ層の出力に対する状態濃度不等式 また, SDNN の最適レイヤ数を最適停止手順により記述する。
  論文  参考訳（メタデータ） (2022-06-22T17:42:24Z)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Stochastic Markov Gradient Descent and Training Low-Bit Neural Networks [77.34726150561087]
  本稿では,量子化ニューラルネットワークのトレーニングに適用可能な離散最適化手法であるGradient Markov Descent (SMGD)を紹介する。 アルゴリズム性能の理論的保証と数値的な結果の促進を提供する。
  論文  参考訳（メタデータ） (2020-08-25T15:48:15Z)
• Large Batch Training Does Not Need Warmup [111.07680619360528]
  大きなバッチサイズを使用してディープニューラルネットワークをトレーニングすることは、有望な結果を示し、多くの現実世界のアプリケーションに利益をもたらしている。 本稿では,大規模バッチ学習のための全層適応レートスケーリング(CLARS)アルゴリズムを提案する。 分析に基づいて,このギャップを埋め,3つの一般的な大規模バッチトレーニング手法の理論的洞察を提示する。
  論文  参考訳（メタデータ） (2020-02-04T23:03:12Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。