NIPS2018深度学习(9)|亮点：多元卷积稀疏编码、循环关系网络

最新推荐文章于 2022-10-19 19:41:46 发布
最新推荐文章于 2022-10-19 19:41:46 发布
阅读量700 收藏 3
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hestendelin/article/details/101546759
版权

[1] Deep, complex, invertible networks for inversion of transmission effects in multimode optical fibres

Oisín Moran, Piergiorgio Caramazza, Daniele Faccio, Roderick Murray-Smith

University of Glasgow, University of Glasgow

https://papers.nips.cc/paper/7589-deep-complex-invertible-networks-for-inversion-of-transmission-effects-in-multimode-optical-fibres.pdf

这篇文章提出了一种基于复数域加权的深层网络，用于处理相干输入图像中的多模光纤畸变所带来的影响。首先利用相干光得到灰度图像的光纤响应集合，进而得到实验数据，只测量输出在长度为1m到10m之间，直径为105µm的多模光纤所对应的图像振幅。

作者们提出了一种复加权网络的酉正则化方法，该方法在光纤传输矩阵的稳健反演中能够取得挺好的效果，这与物理定律是相容的。酉约束有助于学习前向酉模型，然后解析反演该模型进而解决反演问题。该方法的效果通过融入空间光调制器诱导的相移知识很有可能得以进一步提升。

该方法的实验配置如下

640?wx_fmt=png

反演流程如下

640?wx_fmt=png

前向模型及反演模型的结构如下

640?wx_fmt=png

几种情形下的模型效果对比如下

最低0.47元/天 解锁文章
frank_hetest
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多尺度卷积稀疏编码的无监督迁移学习
xiaoduantuilalalal的博客
11-28 2758
        稀疏编码：所谓的稀疏编码是用一组基向量表示大量样本的基线组合，是一种无监督的方法。稀疏编码算法的目的就是找到一组基向量 ，能将输入向量表示为这些基向量的线性组合。人眼视觉感知机理的研究表明,人眼视觉系统(Human Visual System, HVS)可看成是一种合理而高效的图像处理系统.在人眼视觉系统中,从视网膜到大脑皮层存在一系列细胞,以“感受野”模式描述.感受野是视觉系统信...
CT图像重建方法学习记录——用于压缩感知 CT 重建的卷积稀疏编码
最新发布
weixin_70922885的博客
05-14 773
CT图像重建方法学习记录——用于压缩感知 CT 重建的卷积稀疏编码
深度学习：概述和一孔之见 浅谈深度学习中潜藏的稀疏表达
06-25 909
“王杨卢骆当时体，轻薄为文哂未休。 尔曹身与名俱灭，不废江河万古流。”     — 唐 杜甫《戏为六绝句》（其二）      【不要为我为啥放这首在开头，千人千面千理解吧】      深度学习：概述和一孔之见   深度学习（DL），或说深度神经网络（DNN）， 作为传统机器学习中神经网络（NN）、感知机（perceptron）模型的扩展延伸，正掀起铺天盖地的热潮。DNN火箭般的研究
convolutional sparse coding codes
baidu_32211041的博客
09-22 1770
brendt.wohlberg.net http://brendt.wohlberg.net/software/SPORCO/
illustrated-recurrent-relational-networks代码解释
pyxiea
09-02 309
见github项目：https://github.com/iamxpy/illustrated-recurrent-relational-networks 我debug了一两天才看明白代码的意思，并把对代码的解释写在了注释中，对于代码的实现细节看完注释之后还有疑惑的欢迎和我交流。 ...
matlab椒盐去噪代码-LoBCoD:卷积稀疏编码（CSC）模型的追踪和字典更新算法
05-24
matlab椒盐去噪代码LoBCoD CSC模型的局部块坐标下降算法 这是实现LoBCoD算法的Matlab程序包。 E. Zisselman, J. Sulam and M. Elad, "A Local Block Coordinate Descent Algorithm for the Convolutional Sparse Coding Model". CVPR 2019. [] [] [] 引用LoBCoD @InProceedings{Zisselman_2019_CVPR, author = {Zisselman, Ev and Sulam, Jeremias and Elad, Michael}, title = {A Local Block Coordinate Descent Algorithm for the CSC Model}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2019} }
逆生成网络：NIPS 2018“基于局部测量的卷积生成网络的可逆性”
02-03
此回购实现了麻省理工学院的 ， Ayaz和为NeurIPS（以前缩写为NIPS）2018年论文。 引文 如果您在工作中使用我们的代码或方法，请引用以下内容： @inproceedings{ma2018invertibility, title={Invertibility of ...
cgnl-network.pytorch:紧凑型通用非本地网络（NIPS 2018）
05-22
紧凑型广义非本地网络 ，，，，丁二瑞，徐福新 介绍 这是针对的重新实现。 它带来了基于FAIR的在 ， 和上训练的CGNL模型。 更新 05/2019：在Caffe中支持CGNL和NL模块-请参阅 引文 如果您认为此代码对您的研究很有用...
NIPS2018_RCRN:Tensorflow源代码，用于“递归控制的递归网络”（NIPS 2018）-tensorflow source code
03-24
我们提出了一种新的递归控制循环网络（RCRN），该网络在许多NLP任务上都显示了对堆叠式BiLSTM和BiLSTM的改进。 根据定制的cuda优化内核，该存储库包含RCRN的Tensorflow模型文件。 如果有时间（已经有大量积压的...
inpainting-gmcnn-keras:Keras实现的“通过可生成的多列卷积神经网络进行图像修复”论文发表于NIPS 2018
05-05
Keras实施GMCNN的（创成多列卷积神经网络）最初在2018 NIPS提出修复模型： 模型架构 安装 来自此存储库的代码已在Python 3.6和Ubuntu 14.04上进行了测试 所有必需的依赖项都存储在requirements.txt ， requirements-...
详解稀疏编码（百度深度学习--ppt）
09-01
百度深度学习研究院的研究介绍，稀疏编码的详解，简洁易领会，是学习稀疏编码的很好资料
多尺度卷积稀疏编码去除视频雨纹
04-03
多尺度卷积稀疏编码去除视频雨纹
Learning Sparse Latent Graph Representations for Anomaly Detection in Multivariate Time Series（KDD）
小蚂蚁与大象
08-18 1239
阅读者总结：这篇论文的创新点在于将预测与异常检测结合起来，结合点在于把异常检测过程的隐藏变量和GCN结合起来，实现联合loss。2）文中采用稀疏编码的原因，阅读者不太理解，为什么本文在学习隐藏变量时，采用这种方法，虽然文中给了一个解释，但是很显然没有办法体现，采用这种方法的好处。首先，利用SAE从高维时间序列中提取非平凡(即稀疏和潜在)特征，将其作为解码器的输入进行重建，并作为GNN的输入进行预测。在3个真实的信息物理融合系统数据集上的实验结果表明，所提方法提升了异常检测的整体性能，优于基线方法。...
【论文分享】联合形态学滤波和卷积稀疏编码的图像去雨
Alex抱着爆米花的博客
10-19 1753
针对现有方法对雨纹信息检测不完全 、 去除不彻底的问题，采用先获取低频在获取高频（加强低频）再从高频中提取出雨分量。自适应多尺度形态学滤波方法获取低频分量可控滤波全变分（STV）对低频分量加强并获取高频分量多尺度卷积稀疏编码 (MS-CSC)对高频分量进行检测雨纹信息，获得雨层输入雨图减去雨层得到无雨图像。
数据矿工学习-样本自适应的在线卷积稀疏编码论文-个人中文翻译
翁JJ的博客
07-23 1948
论文地址 ： https://arxiv.org/abs/1804.10366 文中的数学公式符号并不能很好的显示，采用普通字母代替，故带有一定的误差，建议数学公式的推导还是回归论文查看。 简介 卷积稀疏编码（CSC）已被广泛用于图像和信号处理中的平移不变字典的学习。然而，现有的方法的可扩展性是有限的。在本文中，我们使用的不是样本共享的字典来卷积，而是使用样本自适应字典，其中每个过滤器是...
【3D目标检测】稀疏卷积
AI知识搬运工
07-19 1985
稀疏卷积是对无论是2D卷积还是3D卷积进行加速运算的一种方式，其中由于3D点云的稀疏性比较大，加速将更为明显。 举例子之前的定义 为了逐步解释稀疏卷积的概念，使其更易于理解，本文以二维稀疏图像处理为例。由于稀疏信号采用数据列表和索引列表表示，二维和三维稀疏信号没有本质区别。 1. 输入定义 使用以下稀疏图像作为输入 如图所示，我们有一个5 × 5的3通道图像。除了 P1和 P2两点外，所有像素都是(0,0,0) （虽然0这个假设也很不严谨）。根据文献[1] ，P1和 P2，这种非零元素也称为a
【Seq2Seq】卷积序列到序列学习
sikh_0529的博客
10-02 2725
此模型与这些教程中使用的先前模型截然不同。根本没有使用经常性成分。相反，它使用卷积层，通常用于图像处理。有关用于情绪分析的文本卷积层的简介，请参阅此教程。简而言之，卷积层使用滤波器。这些滤镜具有宽度（在图像中也有高度，但通常没有文本）。如果筛选器的宽度为 3，则它可以看到 3 个连续的标记。每个卷积层都有许多这样的过滤器（本教程中有 1024 个）。每个过滤器将在整个序列中滑动，从开始到结束，一次查看所有3个连续令牌。这个想法是，这1024个过滤器中的每一个都将学习从文本中提取不同的特征。
斯坦福CS231N深度学习课件：2019版卷积神经网络入门
"CS231N最新课件12（2019）是斯坦福大学计算机视觉课程的一部分，由李飞飞、Justin Johnson和Serena Yeung三位教授主讲，专注于深度学习和卷积神经网络（CNN）的基础教学。这门课程尤其适合那些希望深入了解深度学习...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值