Reconstruction of Compressive Sensed (CS) Images with Deep Equilibrium Model (DEQ) Based on Iterative Shrinkage-Thresholding Algorithm (ISTA)
Notice bibliographique
Résumé
Compressive sensing (CS) is a signal processing technique that measures and compresses signal simultaneously and reconstructs it by finding solutions from underdetermined linear system. CS needs much smaller number of measurements than what is required by the Nyquist-Shannon sampling theorem. Traditional optimization algorithms require many iterations to reconstruct the signal and therefore it is time consuming. Accordingly, there is a need for quicker reconstruction methods. The objective of this thesis is to explore the application of neural network in CS inverse problem to get reconstruction quickly. This thesis has four main contributions. First, we use convolutional neural network (CNN) to improve efficiency of traditional CS reconstruction for sparse signal. The nonzero positions are directly found by CNN, then the rank deficiency model is converted into a full rank model and accurate reconstruction can be solved. Second, for the compressible signal such as image, we develop the semi-tensor product (STP) into a neural network. The measurement matrix is much smaller than that of traditional CS. The proposed STP-Net makes the sampling process convenient and provides good initial reconstruction without block artifacts. Third, inspired by iterative shrinkage-thresholding algorithm (ISTA), we build SPT-ISTA-Net. The model incorporates aggregated residual transformations (ResNeXt) to promote performance improvement and a squeeze-and-excitation (SE) block to enhance useful information. Fourth, to simplify the model structure, we built a deep equilibrium model dubbed as STP-DEQ-Net. The model uses one ISTA block as an implicit layer to implement an arbitrarily deep network. The model has competitive performance, and it has a trade-off between accuracy and computation. Multi-scale dilated convolutional layers are used to further improve performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».