面向空间复用器的速率自适应神经网络
计算机视觉与模式识别
2018-09-11 v1
摘要
在资源受限环境中，可采用空间复用相机获取场景的少量测量值，并利用纯数据驱动的神经网络进行有效重建或高层推理。然而，一旦训练完成，测量矩阵和网络仅对训练时选择的单一测量率（MR）有效。为克服此缺陷，我们回答以下问题：如何联合设计测量算子与重建/推理网络，使系统能在 MR 的一定范围内工作？为此，我们提出一种新颖的训练算法，用于学习速率自适应（rate-adaptive）网络。使用标准数据集，我们证明当在 MR 范围内测试时，速率自适应网络能在整个范围内提供高质量重建，相较先前网络仅对单一 MR 有效的办法，最高可实现约 15 dB 的改进。我们展示了我们的方法在样本高效目标跟踪中的有效性，其中视频帧以动态变化的 MR 获取。我们还将该算法扩展为与图像识别网络联合学习测量算子。在 MNIST 和 CIFAR-10 上的实验证实了我们的算法对不同任务的适用性。
引用
@article{arxiv.1809.02850,
title = {Rate-Adaptive Neural Networks for Spatial Multiplexers},
author = {Suhas Lohit and Rajhans Singh and Kuldeep Kulkarni and Pavan Turaga},
journal= {arXiv preprint arXiv:1809.02850},
year = {2018}
}