従来の悪条件の逆問題としての単一画像超解像(SISR)は、畳み込みニューラルネットワーク(CNN)の最近の開発によって大幅に活性化されました。これらのCNNベースの方法は、一般に、低解像度の画像を、高度なネットワーク構造と損失関数を備えた対応する高解像度バージョンにマッピングし、印象的なパフォーマンスを示します。このホワイトペーパーでは、従来のSISRアルゴリズムに関する新しい洞察を提供し、反復最適化に依存する大幅に異なるアプローチを提案します。反復最適化に加えて、新しい反復超解像ネットワーク(ISRN)が提案されています。最初に、画像SR問題の観測モデルを分析し、より一般的かつ効率的な方法で各反復を模倣および融合することにより、実行可能なソリューションを導き出します。バッチ正規化の欠点を考慮して、ネットワーク内の機能を調整するための機能正規化(F-Norm、FN)方式を提案します。さらに
Image Processing Methods for Coronal Hole Segmentation, Matching, and Map Classification この論文は、太陽画像観測に基づいて最良の物理モデルを選択するための画像処理方法を開発および検証するための複数年にわたる努力の結果を示しています。このアプローチは、画像から抽出されたコロナホールとの一致に基づいて物理モデルを選択することで構成されます。最終的には、物理モデルを使用して地磁気嵐を予測することが目標です。問題を3つのサブ問題に分解します:(i)物理的制約に基づくコロナホールのセグメンテーション、(ii)異なるマップ間のコロナホールのクラスターのマッチング、および(iii)物理的マップの分類。コロナホールをセグメント化するために、3つの異なる方法からのセグメンテーションマップを使用して、最初のコロナホールの
教師なし学習、識別、および生のピクセルからの潜在マルコフ状態空間モデルのフィルタリングのための新しい方法である変分状態空間フィルター(VSSF)を紹介します。異種センサー構成の下での潜在状態空間推論のための理論的に健全なフレームワークを提示します。結果として得られるモデルは、トレーニング中に使用されるセンサー測定値の任意のサブセットを統合できるため、半教師あり状態表現の学習が可能になり、学習された潜在状態空間の特定のコンポーネントが解釈可能な測定値と一致するようになります。このフレームワークから、線形潜在ダイナミクスとガウス分布パラメーター化を使用したこのモデルの明示的なインスタンス化であるL-VSSFを導出します。いくつかの異なるテスト環境にわたって、トレーニングデータセットのシーケンス長を超えて潜在空間でフィルタリングするL-VSSFの機能を実験的に示します。 We introduce
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く