MMC-CS: Aprendizaje contrastivo multirrama multietapa para detección comprimida autocontrolada | JoVE Visualize

Área de la Ciencia:

Visión por Computadora
Aprendizaje Profundo
Procesamiento de Señales

Sus antecedentes:

Las redes neuronales profundas (DNN) muestran potencial en la detección comprimida de imágenes (ICS).
Los métodos actuales de DNN tienen dificultades con la adquisición de datos de referencia y subutilizan la información de las mediciones.
Las redes inspiradas en la optimización integran la teoría de la optimización en las DNN para ICS.

Objetivo del estudio:

Proponer un novedoso marco de aprendizaje profundo autocontrolado para resolver el problema inverso en ICS.
Abordar los desafíos de los datos de referencia limitados y las mediciones infrautilizadas en ICS basada en DNN.
Desarrollar un método eficaz para la reconstrucción de imágenes en ausencia de mediciones etiquetadas.

Principales métodos:

Un marco de aprendizaje profundo autocontrolado que aprovecha los valores de medición a través de una estructura cruzada progresiva multirrama y multietapa.
Diseño de una DNN de extremo a extremo de Detección Comprimida (MMC-CS) multirrama y multietapa, que despliega el algoritmo de Descenso de Gradiente Proximal (PGD).
Integración de la cooptimización multiescala (rutas de imagen y rutas de características convolucionales) y la convolución wavelet (WTConv) para una mejor reconstrucción.

Principales resultados:

El método propuesto aprende eficazmente los *priors* de imagen sin datos de referencia.
Se logró una mejora promedio de la relación señal/ruido pico (PSNR) de 0.3-1.6 dB sobre los enfoques autocontrolados existentes.
Demostró un fuerte potencial para competir con los métodos supervisados de última generación en la reconstrucción de imágenes.

Conclusiones:

El novedoso marco autocontrolado aborda las limitaciones clave en ICS basada en DNN.
La red MMC-CS ofrece un rendimiento superior de reconstrucción de imágenes en comparación con los métodos autocontrolados actuales.
El enfoque muestra potencial para aplicaciones prácticas que requieren una recuperación de imágenes eficiente y precisa a partir de mediciones submuestreadas.