Jun, 2017

可扩展的在线稀疏卷积编码

PDF
TL;DR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。
convolutional sparse codingonline learningadmmoptimizationdictionary learning
发现论文，激发创造
  • 在线样本相关字典的卷积稀疏编码

    本文提出了一种使用样本依赖性字典而不是共享字典进行卷积的新方法，从而允许捕捉大量的样本依赖性模式，同时保持在线学习效率，实验结果表明该方法比现有的 CSC 算法更快速高效。

    Apr, 2018

  • 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

  • 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

  • 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

  • 通过卷积稀疏编码分析卷积神经网络

    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。

    Jul, 2016

  • 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

  • 使用 Alpha 稳定卷积稀疏编码学习脑信号形态学

    本研究提出了一种基于概率卷积稀疏编码的模型，使用 alpha-stable 分布来学习神经信号中的平移不变原子，并提出了一种计算效率高的 Monte Carlo 期望最大化算法，该算法对噪声等干扰信号具有较强的鲁棒性。

    May, 2017

  • 自适应学习的稀疏编码算法

    本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

    Sep, 2017

  • 矩阵分解与稀疏编码的在线学习

    本文主要介绍了一种新的基于随机逼近的在线优化算法，用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题，其在各种矩阵分解方面有良好的表现，并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。

    Aug, 2009