深度卷积稀疏编码网络用于图像融合
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
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
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
本论文提出了一种新颖的深度卷积神经网络,用于解决多模态图像恢复和融合问题,其架构从多模态卷积稀疏编码模型中得到启发,具有自动分离共享于不同模态之间的公共信息和属于单一模态的独特信息的特点,命名为 CU-Net, 由 3 个模块组成,可以在各种 MIR 和 MIF 任务中发挥作用。
Oct, 2019
本研究提出了一种新的稀疏卷积操作,旨在更高效地处理空间稀疏数据,并使用其开发出空间稀疏卷积网络 (SSCNs)。我们在涉及三维点云的语义分割任务中展示了这种模型的强大性能,特别是我们的模型在最近一个语义分割竞赛的测试集上超越了所有以前的最新技术。
Nov, 2017
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
本文介绍了一种新的深度学习架构,用于红外和可见图像融合问题。相对于常规卷积网络,我们的编码网络由卷积层,融合层和稠密块组合而成,其中每个层的输出与每个其他层相连。我们尝试使用这种架构从源图像中获得更有用的特征。并且设计了两个融合层(融合策略)来融合这些特征。最后,使用解码器重建融合图像。与现有的融合方法相比,所提出的融合方法在客观和主观评估方面均取得了最先进的性能。代码和预训练模型可在此 https URL 上获得。
Apr, 2018
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