論文の概要: LIPS-PC: Learning Illumination Patterns for Single-Pixel Classification

• arxiv url: http://arxiv.org/abs/2611.04780v1
• Date: Tue, 03 Nov 2026 12:18:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:28:28.04068
• Title: LIPS-PC: Learning Illumination Patterns for Single-Pixel Classification
• Title（参考訳）: LIPS-PC:シングルピクセル分類のための照明パターンの学習
• Abstract要約: Illumination Patterns for Single-Pixel Classification (LIPS-PC) について紹介する。 パターンは終端から終端まで学習されるが、測定演算子は1つの固定線形行列のままであり、全ての入力で同一である。 我々は,MNISTとFashion-MNISTを制御プロトコルで数値的に評価し,実産業用X線溶接レーダグラフィーデータセットRIAWELCについて検討した。
• 参考スコア（独自算出の注目度）: 2.1220458782479117
• License:
• Abstract: In single-pixel (ghost) imaging, known illumination patterns probe an object and a detector with no spatial resolution returns one number per pattern. Each measurement costs acquisition time and photons and, for ionizing probes, contributes to delivered dose. Motivated by automated radiographic defect screening, where a class label suffices, we introduce Learning Illumination Patterns for Single-Pixel Classification (LIPS-PC). The patterns are learned end-to-end while the measurement operator remains one fixed linear matrix, identical for every input. We parameterize it as a residual correction to a two-dimensional discrete cosine transform (2D-DCT), $D=D_{\mathrm{base}}+Δ$, and jointly train the correction and a compact classifier using cross-entropy, without a reconstruction objective. This yields a task-driven linear embedding through optimization. We evaluate LIPS-PC numerically on MNIST and Fashion-MNIST under a controlled protocol, then on RIAWELC, a real industrial X-ray weld-radiograph dataset. Across five budgets, $M\in{8,16,32,64,128}$, corresponding to sampling ratios from below 1% to 12.5%, the learned operator outperforms the best tested fixed transform by 9-15 percentage points at $M=8$ on all three datasets. Its eight-measurement accuracy requires roughly 16-32 measurements with the best fixed transform, indicating a $2\times$ to $4\times$ saving at comparable accuracy. The advantage generally shrinks as $M$ increases, with a small reversal on RIAWELC at higher budgets. These results show that learning what to measure is especially valuable when measurements are scarce.
• Abstract（参考訳）: 単画素(ゴースト)イメージングでは、既知の照明パターンが物体を探査し、空間分解能のない検出器がパターンごとに1個ずつ数を返す。 それぞれの測定は、取得時間と光子を消費し、電離プローブは、供給された線量に寄与する。 クラスラベルが十分である自動X線写真欠陥スクリーニングにより、単一画像分類のためのLearning Illumination Patterns(LIPS-PC)を導入する。 パターンは終端から終端まで学習されるが、測定演算子は1つの固定線形行列のままであり、全ての入力で同一である。 2次元離散コサイン変換 (2D-DCT), $D=D_{\mathrm{base}}+Δ$) の残差補正としてパラメタライズし, クロスエントロピーを用いた補正とコンパクトな分類器を再構成目的なく共同で訓練する。 これにより、最適化によるタスク駆動の線形埋め込みが得られる。 我々は,MNISTとFashion-MNISTを制御プロトコルで数値的に評価し,実産業用X線溶接レーダグラフィーデータセットRIAWELCについて検討した。 5つの予算、$M\in{8,16,32,64,128}$は1%から12.5%未満のサンプリング比に対応し、学習した演算子は3つのデータセットで9～15ポイントの最良の固定変換をM=8$で上回っている。 その8つの測定精度は16-32の計測値を必要とし、最適な固定変換は2\times$から4\times$と同等の精度で保存できることを示している。 アドバンテージは一般的にM$が上昇するにつれて縮小し、RIAWELCは高予算でわずかに逆転する。 これらの結果から,測定値が乏しい場合には,測定値の学習が特に有用であることが示唆された。

関連論文リスト

• TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
  TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。 Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-10-07T03:01:51Z)
• CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
  スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。 予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。 ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
  論文  参考訳（メタデータ） (2026-09-22T18:03:36Z)
• GLID: Gated Local Intrinsic Dimension Repairs the Blind Spots of Face-Forgery Detectors [4.564848621539382]
  ファインチューニングされたファウンデーションモデル検出器がフェイスフォージェリーベンチマークを支配しているが、訓練を受けていないジェネレータファミリーには目が見えていない。 GLIDは、データの代わりに幾何学でこの盲点を修復する検出器である。 GLIDは、単一の画像のパッチトークンを多様体からのサンプルとして扱い、その局所固有次元(LID)を凍結視覚変換器のいくつかの深さで推定する。
  論文  参考訳（メタデータ） (2026-07-21T06:52:46Z)
• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• RiT: Vanilla Diffusion Transformers Suffice in Representation Space [12.711808725422108]
  x$prediction とのフローマッチングは、ピクセル空間 citeli2025back において、低次元多様体構造を効果的に活用することが知られている。 事前学習された表現空間は、本質的な次元に匹敵する低次元データ多様体を含むが、フローマッチング学習に好適な分布を提供するかどうかを問う。
  論文  参考訳（メタデータ） (2026-05-21T04:21:43Z)
• Frozen Vision Transformers for Dense Prediction on Small Datasets: A Case Study in Arrow Localization [0.0]
  本研究では,40,cmの屋内動脈ターゲット面に矢状穴の自動検出,局所化,採点を行うシステムを提案する。 私たちのパイプラインは、カラーベースの正準整流ステージ、凍結した自己監督型視覚変換器、そして特徴アップサンプリングという3つのコンポーネントを組み合わせています。 3つの交叉倍数で、平均F1スコアは0.893 pm 0.011$で、平均ローカライゼーション誤差は1.41 pm 0.06$,mmである。
  論文  参考訳（メタデータ） (2026-04-18T00:17:48Z)
• CarBoN: Calibrated Best-of-N Sampling Improves Test-time Reasoning [62.56541355300587]
  本稿では,高逆推論経路に向けてモデルを適応的に修正する一般的なテスト時間校正フレームワークを提案する。 本フレームワークでは,まず解空間を探索し,次にロジットの校正を学習する二相法であるCarBoNを提案する。 MATH-500とAIME-2024の実験では、CarBoNは効率を向上し、同じ精度に達するために最大4倍のロールアウトが可能である。
  論文  参考訳（メタデータ） (2025-10-17T14:04:37Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Combining Image- and Geometric-based Deep Learning for Shape Regression: A Comparison to Pixel-level Methods for Segmentation in Chest X-Ray [0.07143413923310668]
  本稿では,軽量なCNNバックボーンと幾何学的ニューラルネットワーク(Point Transformer)を組み合わせたハイブリッド手法を提案する。 我々は、nnU-Netを上位ベースラインとして含み、提案したメソッドよりも3.7倍のトレーニング可能なパラメータを持つ。
  論文  参考訳（メタデータ） (2024-01-15T09:03:50Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。