数据矿工学习-样本自适应的在线卷积稀疏编码论文简析

最新推荐文章于 2024-01-04 00:42:57 发布
最新推荐文章于 2024-01-04 00:42:57 发布
阅读量994 收藏 5
点赞数
分类专栏： 图像识别 论文简析 文章标签： 卷积稀疏编码 论文简析 图像识别
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/qq_33829740/article/details/81169256
版权
本文介绍了ICML 2018入选论文——在线卷积稀疏编码（SCSC），它使用样本自适应字典进行图像处理，尤其适合大规模或高维数据。相比传统CSC，SCSC在小样本、大数据集和高维数据集上有显著优势，且在图像去噪和修复方面表现出色。未来研究将尝试将SCSC应用于卷积神经网络，以增强迁移学习能力并降低计算需求。
摘要由CSDN通过智能技术生成

在瑞典斯德哥尔摩国际会展中心举行的国际机器学习大会(ICML)正在受到全世界科技界的关注。来自国内人工智能企业队代表第四范式的姚权铭与来自香港科技大学的研究者提出的“Online Convolutional Sparse Coding with Sample-Dependent Dictionary：样本自适应的在线卷积稀疏编码”，入选了ICML 2018中选论文榜单。

首先我们先通过思维导图来简要了解下这篇SCSC论文的整体结构：

WHAT

SCSC是什么？

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(sample-dependent dictionary)的学习。不同于传统的CSC算法使用由所有样本共享的字典来卷积，此篇论文中的SCSC使用的是样本自适应的字典，其中每个过滤器是从数据中学习的一组基本滤波器的线性组合。这种增加的灵活性允许捕获大量依赖于样本的模式，这在处理大型或高维数据集时特别有用。在计算上，所得到的模型可以通过在线学习有效地学习。在大量的数据集上的实验结果表明，所提出的方法优于现有的CSC算法，具有显著减少的时间和空间复杂度。

 

WHY

SCSC的优势在哪里？

与目前的最新的CSC进行对比，SCSC的优势主要体现在三个方面:

1、数据集的大小

最低0.47元/天 解锁文章
翁JJ
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
卷积稀疏编码
chenyanqiao2010的博客
01-22 1万+
卷积稀疏编码
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 2003
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...
基于深度卷积稀疏自编码分层网络的人脸识别技术
04-19
面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下对该方法进行测试,识别率达到99.47%,比传统的基于提取人为定义特征的人脸识别方法的识别率有所提高。
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
Python-pacnet像素自适应卷积神经网络
08-11
Python-pacnet像素自适应卷积神经网络是深度学习领域中的一个重要研究方向，它主要针对的是卷积神经网络（Convolutional Neural Networks, CNNs）的优化问题。在传统的CNN中，每一层的卷积核对输入图像的每个位置...
论文研究-自适应的归一化卷积超分辨率重建算法研究.pdf
09-10
为了使重建的图像能更好地保持边缘细节，采用各向异性高斯核函数作为适用度函数，并将改进的自适应归一化卷积超分辨率重建算法应用于设计的多通道光学成像系统图像。由于各向异性高斯核函数邻域的尺度和方向由提出的...
自适应深度卷积神经网络模型构建方法
03-09
自适应深度卷积神经网络模型构建方法是一种创新的深度学习模型设计策略，旨在解决传统CNN模型在构建过程中存在的问题，如过度依赖经验知识、参数众多、训练难度较大等。此研究提出了一个新的构建方法，它通过减少...
基于自适应特征卷积网络的行人检测方法
04-30
针对行人检测方法未能充分利用卷积网络浅层特征的问题，改进Faster R-CNN框架，提出了一种基于自适应特征卷积网络的行人检测方法。该方法有两处改进：a）设计了SFCM模块，用于提取卷积神经网络浅层细节特征；b）引用...
论文研究-基于稀疏自编码深度神经网络的林火图像分类.pdf
09-12
针对林火与相似目标很难区分的问题，提出一种基于稀疏自编码深度神经网络的林火图像分类新方法。采用无监督的特征学习算法稀疏自编码从无标签图像小块中学习特征参数，完成深度神经网络的训练；利用学习到的特征从原始大小分类图像中提取特征并卷积和均值池化特征；对卷积和池化后的特征采用softmax回归来训练最终softmax分类器。实验结果表明，跟传统的BP神经网络相比，新方法能够更有效区分林火与红旗、红叶等类似物体。
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} }
论文研究-平滑系数自适应的二次指数平滑模型及其应用.pdf
09-20
论文研究-平滑系数自适应的二次指数平滑模型及其应用.pdf,  通过对传统指数平滑模型的分析,提出了动态平滑参数的概念;并由此建立了平滑权重对时间序列能够自适应的新的二次指数平滑新模型;进而得到Brown单参数和Holt双参数两类线性趋势模型及其不同于传统模型的良好性质.新模型使困绕指数平滑应用的初值难以选取、平滑参数适应性差及系统预测偏差等问题得到了较完整的解决.预测实例表明新模型提高了预测精度,并有很好的自适应性.
多尺度卷积稀疏编码的无监督迁移学习
xiaoduantuilalalal的博客
11-28 2779
        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...
稀疏编码学习笔记（1）
sinounuo的博客
05-11 791
稀疏编码的一些学习和思考
稀疏编码的解释
mao_feng的博客
03-08 657
稀疏编码
图像超分辨率Super Resolution基本介绍与常用方法：插值、稀疏编码、卷积网络、生成对抗网络
欢迎一起成长呀
08-11 901
图像超分辨率Super Resolution基本介绍与常用方法：插值、稀疏编码、卷积网络、生成对抗网络
稀疏卷积计算
liang_shuaige的博客
01-16 732
稀疏卷积计算 gemm
稀疏自编码与卷积神经网络的结合
最新发布
光剑书架上的书
01-04 994
1.背景介绍 稀疏自编码（Sparse Autoencoder）和卷积神经网络（Convolutional Neural Networks，CNN）都是深度学习领域中的重要算法，它们各自在不同的应用场景中表现出色。稀疏自编码在图像压缩、特征学习和降维等方面有着广泛的应用，而卷积神经网络则在图像识别、语音处理和自然语言处理等领域取得了显著的成果。
评论 2
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