최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국음향학회지= The journal of the acoustical society of Korea, v.39 no.4, 2020년, pp.246 - 254
이보경 (고려대학교) , 구본화 (고려대학교) , 김완진 (국방과학연구소) , 김성일 (국방과학연구소) , 고한석 (고려대학교)
In this paper, we propose a learning based compressive sensing algorithm for the purpose of side scan sonar image denoising. The proposed method is based on Iterative Shrinkage and Thresholding Algorithm (ISTA) framework and incorporates a powerful strategy that reinforces the non-linearity of deep ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
측면 주사 소나 영상 잡음 제거를 위해 ISTA 알고리즘과 딥러닝을 접목시켰을 때 다른 모델들과 비교하여 어떤 결과를 얻을 수 있는가? | Table 2는 5개의 측면주사 소나 테스트 영상에 대한 잡음제거 결과이다. 제안하는 모델은 비 학습기반 방식( K-SVD, CSR, BM3D) 보다는 평균적으로 약2 dB의 성능 향상을 나타냈으며 학습기반 방식(DnCNN, ISTA-Net) 보다는 평균적으로 약0.2 dB ~ 0.4 dB의 성능 향상을 보여주었다. Fig. | |
측면주사 소나는 무엇인가? | 측면주사 소나는 영상을 기반으로 한 수중 탐색 소나 시스템이다. 탐색 범위와 영상 품질 사이에 역상관관계가 존재하며 고주파를 이용하는 측면주사 소나는 협소한 탐색 범위의 고품질 영상을 획득하는 반면 저주파 측면주사 소나는 광역 탐색 범위의 저품질 영상을 획득하게 된다. | |
압축 센싱 기술인 Learned ISTA는 어떤 기법인가? | 컴퓨터 비전에서 딥러닝의 성공과 더불어 압축 센싱분야에서도 딥러닝과 압축 센싱 기술이 접목된 학습형 압축 센싱 기술이 제안되었다. [5,6] Learned Iterative shrinkage and thresholding algorithm(Learned ISTA)[5]는 최초의 딥러닝과 접목된 학습형 압축 센싱 기법으로 ISTA 연산을 k번으로 고정시킨 k-step의 recurrent neural network 구조를 가지고 있다. 전통적인 압축 센싱 기법과는 다르게 주어진 데이터세트에서 적합한 사전과 하이퍼 파라메터들을 훈련을 통해 찾게 된다. |
Y. Chen, K. Lee, B. Ku, S. Kim, and H. Ko, "Analyze the sonar image according to the frequency and altitude of side scan sonar," Proc. Korean Soc. Noise Vib. Eng. 2017, 308 (2017).
M. Aharon and M. Elad, "Image denoising via sparse and redundant representations over learned dictinaries," Proc. IEEE Trans. on Image Process. 15, 3736-3745 (2006).
W. Dong, X. Li, L. Zhang, and G. Shi, "Sparsity-based image denoising via dictionary learning and structural clustersing," Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 457-464 (2011).
J. A. Tropp and A. C. Gilbert, "Signal recovery from random measurements via orthogonal matching pursuit," Proc. IEEE Trans. on information theory, 4655-4666 (2007).
K. Gregor and Y. LeCun, "Learning fast approximations of sparse coding," Proc. 27th International Conf. on Machine Learning, 399-406 (2010).
J. Zhang and B. Ghanem, "ISTA-Net: Interpretable optimization-inspired deep network for image compressive sensing," Proc. IEEE Cof. computer vision and pattern recognition, 1828-1837 (2018).
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," Proc. IEEE Cof. computer vision and pattern recognition, 770-778 (2016).
O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional networks for biomedical image segmentation," Proc. IEEE Cof. Medical image computing and computer-assisted intervention, 234-241 (2015).
C. Szegedy, S. Ioffe, V. Vangoucke, and A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning," Proc. Cof. 34th AAAI on Artificial Intelligence, 4278-4284 (2017).
P. Vincent, H. Larochelle, Y. Bengio, and P. Manzagol, "Extracting and composing robust features with denoising autoencoders," Proc. the 25th international Conf. on Machine learning, 1096-1103 (2008).
D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," arXiv preprint, 1412.6980 (2014).
K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, "Image denoising by sparse 3-D transform domain collavorative filtering," Proc. IEEE Trans. on Image Processing, 16, 2080-2095 (2007).
K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, "Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising," Proc. IEEE Trans. on Image Processing, 26, 3142-3155 (2017).
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.