Jul, 2016

通过卷积稀疏编码分析卷积神经网络

PDF
TL;DR提出了一种新的多层模型，ML-CSC，其信号被假定为从一系列 CSC 层中出现。CNN 的前向传递实际上是服务于 ML-CSC 模型的阈值追踪，将 CNN 与 ML-CSC 模型紧密联系起来，为 CNN 带来了新的视角，同时也提出了一个与去卷积网络相关的前向通道替代方案，具有更好的理论保证。
发现论文，激发创造
  • 多层卷积稀疏建模：追踪与字典学习

    本研究提出了一种新的解释卷积神经网络的模型，即多层卷积稀疏编码模型，并解决了该模型展开等问题，进而把该模型用于无监督学习中的不同应用中，取得了有竞争力的结果。

    Aug, 2017

  • 重新思考自然图像的 CSC 模型

    本文研究了基于稀疏表示和卷积的稀疏编码模型在图像处理中的应用，提出了与此模型相关的贝叶斯理论，并使用分阶段卷积的前馈网络构建了一个新的模型，用于降噪等任务。实验证明，该模型的性能可以达到与现有技术相当水平，同时使用的参数明显更少。

    Sep, 2019

  • 局部处理的卷积字典学习

    本文介绍了基于局部稀疏度量的全局模型，解决了传统基于补丁的稀疏表达的限制，通过操作图像补丁来解决卷积稀疏追踪问题并训练涉及的滤波器，为图像修补和分离问题提供了一种直观的算法。

    May, 2017

  • 监督卷积稀疏编码

    通过加入监督正则化项来扩展卷积稀疏编码模型并学习具有判别性的字典，从而实现更好的图像重建和更语义相关的字典元素。

    Apr, 2018

  • 深度卷积稀疏编码网络用于图像融合

    这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务，并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化，从而从数据中学习所有超参数。广泛的实验和综合比较表明，与量化评估和视觉检查相关的所有性能指标中，所提出的网络优越性显著。

    May, 2020

  • 何时使用卷积神经网络解决反问题

    本文介绍求解计算机视觉中的重构问题，阐述了使用卷积稀疏编码与卷积神经网络的优缺点，并提出了卷积稀疏编码可用于解决某些反问题的有效性，通过 JPEG 残留抑制和非刚性轨迹重建的操作，对使用 CSC 方法进行的应用进行了实证和验证，并指出如何将 CSC 模型的理论用于改进 CNN 模型的应用。

    Mar, 2020

  • 可扩展的在线稀疏卷积编码

    通过在线学习，将卷积稀疏编码（CSC）目标重新表述，并利用交替方向乘子方法（ADMM）求解其优化问题，显著提高了算法训练效率和图像重建性能，同时能够处理更大规模的图像数据集。

    Jun, 2017

  • 多层稀疏编码：全面的方法

    本文研究了多层稀疏模型的构建与应用，将其与卷积神经网络和全连接网络进行了关联，提出一种新的综合算法 ——Holistic Pursuit 算法，可以同时估计所有模型中的表示，并在实验中取得了良好的表现。

    Apr, 2018

  • 卷积稀疏编码学习

    我们提出了一种基于卷积循环稀疏自编码器模型，采用了一种简单的方法学习任务驱动的稀疏卷积字典，通过梯度下降和反向传播进行训练，取得与 KSVD 图像去噪和领先的 CSC 方法相竞争的结果，且仅需要他们运行时间的一小部分。

    Nov, 2017

  • 多层基 Pursuit，高效算法和卷积神经网络

    本文介绍了一种基于多层卷积稀疏编码模型的新型问题求解方法，并探究了这种算法在递归卷积神经网络实现中的应用。研究发现，这种方法在监督学习任务中优于传统的 CNN 模型表现。

    Jun, 2018