文献

J-GLOBAL ID：201902254034064762   整理番号：19A2400168

畳込みニューラルネットワークを用いた画像圧縮センシング【JST・京大機械翻訳】

Image Compressed Sensing Using Convolutional Neural Network

著者 (4件)： Shi Wuzhen (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China) ,  Jiang Feng (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China) ,  Liu Shaohui (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China) ,  Zhao Debin (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 29  ページ： 375-388  発行年： 2020年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 圧縮センシング(CS)の研究において,2つの主要な課題は,サンプリングマトリックスの設計と再構成法の開発である。一方では,通常用いられるランダムサンプリング行列(例えばGRM)は信号独立で,信号の特性を無視する。一方,最先端の画像CS法(例えば,GSRとMH)は非常に良好な性能を達成するが,はるかに高い計算複雑性を有する。2つの課題を扱うために,著者らは,サンプリングネットワークと再構成ネットワークを含む畳込みニューラルネットワーク(dubbed CSNET)を用いた画像CSフレームワークを提案する。それは共同で最適化される。サンプリングネットワークは訓練画像からサンプリング行列を適応的に学習し,CS測定はより良い再構成のためのより多くの画像構造情報を保持する。具体的には,3種類のサンプリング行列,すなわち浮動小数点行列,{0,1}二元行列,および{-1,+1}双極行列を学習した。最後の2つのマトリックスは,容易な記憶とハードウェア実装のために特別に設計されている。線形初期再構成ネットワークと非線形深再構成ネットワークを含む再構成ネットワークは,CS測定と再構成画像間のエンドツーエンドマッピングを学習する。実験結果は,CSNETが最先端の再構成品質を提供し,一方,高速走行速度を達成することを実証した。さらに,{0,1}二元行列および{-1,+1}双極行列をもつCSNETは,既存の深い学習ベースのCS法と同等の性能を得て,従来のCS法より優れている。実験結果は,学習したサンプリング行列が従来の画像CS再構成法を大幅に改善できることを示唆した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *画像 ,  エンドツーエンド方式 ,  学習 ,  最適化 ,  品質 ,  線形性 ,  *ネットワーク ,  計算量 ,  再構成
準シソーラス用語： 高速走行 ,  再構成画像 ,  ハードウェア実装 ,  画像構造 ,  *圧縮センシング ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 畳込みニューラルネットワーク ,  圧縮センシング