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
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
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
本文研究信号的分析模型作为一种生成模型并与综合模型进行对比,提出了有效的寻求方法以解决逆问题并在多个实验中证明了分析模型的有效性。
Jun, 2011
本研究应用基于网络的信息过滤技术设计了一种新的深度神经网络单元,其具有由基础数据的同调结构构建的稀疏高阶图形架构,同时证明它在传统难以解决的领域,如表格数据和时间序列回归问题中的有效性,仅使用一小部分参数即可超越最先进的机器学习和深度学习模型的结果。
Jun, 2023
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
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
在这篇论文中,我们提出了一种自动编码器架构(WLSC),其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类,生成了一组多样的人工感受野,与 V1 的灵长类动物数据具有相近的一致性,而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化,即我们为之后的皮质阶段引入了弱的聚类偏差,这是已知的功能性和空间分离(即拓扑)发生的地方。这些结果表明,在对 V1 及其之后的特征分离进行描述时,对感受野和放电率进行空间正则化至关重要。
Nov, 2023
本文针对图像超分辨率问题,提出一种结合传统稀疏编码模型和深度学习技术的神经网络模型,该模型在多种图像上已被证明在恢复精度和主观质量方面均优于目前现有的最先进方法。
Jul, 2015
本论文研究了基于稀疏性的数据模型在信号处理和成像应用中的应用。特别关注了稀疏变换学习,提出了基于多层分层扩展的学习算法,并在图像去噪的数值实验中证明了其有效性。多层模型比单层方案具有更好的去噪质量。
Oct, 2018