Operational Support Estimator Networks

要約

この研究では、サポート推定タスクのための運用サポート推定ネットワーク (OSEN) と呼ばれる新しいアプローチを提案します。
サポート推定 (SE) は、スパース信号内のゼロ以外の要素の位置を見つけることとして定義されます。
まさにその性質上、測定信号とスパース信号の間のマッピングは非線形操作です。
従来のサポート推定器は、このような非線形性を実現するために、計算コストのかかる反復信号回復手法に依存しています。
畳み込み層とは対照的に、提案された OSEN アプローチは、深いネットワークを必要とせずにこのような複雑な非線形性を学習できる演算層で構成されています。
このようにして、非反復サポート推定のパフォーマンスが大幅に向上します。
さらに、演算層は、非ローカル カーネルを備えた、いわゆる生成 \textit{スーパー ニューロン} で構成されます。
各ニューロン/特徴マップのカーネルの位置は、トレーニング中の SE タスクに合わせて共同で最適化されます。
OSEN を 3 つの異なるアプリケーションで評価します。
圧縮感知（ＣＳ）測定からの推定をサポートする、ｉｉ．
表現に基づく分類、および iii．
学習支援型 CS 再構成では、OSEN の出力が CS アルゴリズムの事前知識として使用され、再構成が強化されます。
実験結果は、提案されたアプローチが計算効率を達成し、特に低い測定レートにおいて、競合する方法よりも大幅に優れていることを示しています。
ソフトウェア実装は https://github.com/meteahishali/OSEN で公開されています。

要約(オリジナル)

In this work, we propose a novel approach called Operational Support Estimator Networks (OSENs) for the support estimation task. Support Estimation (SE) is defined as finding the locations of non-zero elements in a sparse signal. By its very nature, the mapping between the measurement and sparse signal is a non-linear operation. Traditional support estimators rely on computationally expensive iterative signal recovery techniques to achieve such non-linearity. Contrary to the convolution layers, the proposed OSEN approach consists of operational layers that can learn such complex non-linearities without the need for deep networks. In this way, the performance of the non-iterative support estimation is greatly improved. Moreover, the operational layers comprise so-called generative \textit{super neurons} with non-local kernels. The kernel location for each neuron/feature map is optimized jointly for the SE task during the training. We evaluate the OSENs in three different applications: i. support estimation from Compressive Sensing (CS) measurements, ii. representation-based classification, and iii. learning-aided CS reconstruction where the output of OSENs is used as prior knowledge to the CS algorithm for an enhanced reconstruction. Experimental results show that the proposed approach achieves computational efficiency and outperforms competing methods, especially at low measurement rates by a significant margin. The software implementation is publicly shared at https://github.com/meteahishali/OSEN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google