稀疏编码SparseNet

最新推荐文章于 2024-05-01 16:10:24 发布
最新推荐文章于 2024-05-01 16:10:24 发布
阅读量1k 收藏 2
点赞数 1
分类专栏： 图像处理与OPENCV 文章标签： matlab 编译器
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/wbzhang233/article/details/104640510
版权

大名鼎鼎的稀疏编码，源自1996。记录一下使用sparsenet的心得。

0. My Prerequisite

  • Windows10
  • matlab 2016b
  • mingw64

为了节省内存，我把matlab2016b装在了移动硬盘上；mingw64可以不用额外下载，本地一搜就好几个；例如git和jetbrains都会提供mingw64编译器，matlab也自带。

 setenv('MW_MINGW64_LOC', 'F:\8-软件\mingw64')
 #setenv('MW_MINGW64_LOC', 'D:\Git\mingw64')
# D:\Program Files\JetBrains\mingw64
# F:\2-软件安装包\Windows\MATLAB\R2016b\extern\lib\win64\mingw64

我本人很早就装了mingw64，省去了装VS的麻烦。

1.SparseNet

给几个官方传送门：

2.matlab编译

  • MATLAB配置mingw64编译器
  • 编译
    注意：编译的时候要把nrutil.h加上，然后修改cfg.c里面的#inlucde尖括号为引号。
    在这里插入图片描述
    编译成功即会生成cgf.mexw64文件，拷贝出去即可调用。

3.使用

参见README
贴一个跑通的图作纪念。OVER
在这里插入图片描述

4.原文理解

1996年,Olshausen和Field在Nature杂志上发表了一篇重要论文指出,自然图像经过稀疏编码后得到的基函数类似于V1区简单细胞感受野的反应特性.这种稀疏编码模型提取的基函数首次成功地模拟了V1区简单细胞感受野的三个响应特性:空间域的局部性、时域和频域的方向性和选择性.考虑到基函数的超完备性(基函数维数大于输出神经元的个数),Olshausen 和Field在1997年又提出了一种超完备基的稀疏编码算法,利用基函数和系数的概率密度模型成功地建模了V1区简单细胞感受野.
传送门：稀疏编码理解

wbzhang233
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
SparseNet：基于scikit学习的Sparse-Net实现
02-04
稀疏网 Sparse-Net基于scikit-learn的实现，这是一种无监督的体系结构，有助于进行特征检测。 它由多层稀疏编码组成，可将特征分为权重和字典两部分。 字典表示特征的复杂结构（如边缘等），权重表示字典中的特定特征是否存在于当前样本中。 权重矩阵稀疏。 安装 在运行之前，从其官方网站安装matplotlib和scikit-learn。 跑步 cd ./src python3 SparseNet.py
sparse-unet:Keras中稀疏的U-Net实施
03-05
稀疏的U-Net 这是2D U-Net实现，可用于稀疏带注释的地面真实数据。 安装 克隆此存储库并从requirements.txt安装所需的软件包 用法 收集培训数据 对于二进制分类，收集的训练数据必须包含两个类别：（1）前景和（2）背景。 培训和测试数据目录应具有以下结构： path/to/train_dir | └───images | |--img_1.png | |--img_2.png | |--... | |--img_n.png | └───masks └───background | |--img_1.png | |--img_2.png | |--... | |--img_n.png | └───foreground |--img_1.png |-
SparseConvNet-archived:空间稀疏的卷积网络。 允许处理稀疏的2、3和4维数据。在正方形，立方，四面体，超四面体晶格上构建CNN
04-14
稀疏卷积网 空间稀疏卷积神经网络 SparseConvNet已移至 现在与和集成在一起，并且与子流形卷积集成在一起。
SpareNet:Style-based Point Generator with Adversarial Rendering for Point Cloud Completion(CVPR2021)
BararAlice的博客
06-07 970
SpareNet 代码块链接：https://github.com/microsoft/SpareNet （本文只是个人学习记录的笔记，仅做参考） 基于对抗渲染样式点生成器的点云补全 本文提出了一种新的基于样式的点生成器与对抗渲染(SpareNet)点云补全网络。首先，提出了充分利用点的局部特征和全局特征的基于Channel-Attentive EdgeConv.算法。在StyleGAN的启发下，将形状特征作为在折叠过程中调节规格化层的样式代码，极大地增强了其功能。第三，认识到现有的点监督，如倒角距离，不能
SpareNet运行、学习、debug（未完持续更新中）
zerolord的博客
02-11 738
机智的毕业设计
快速稀疏编码算法
凌风探梅的专栏
04-18 4024
【self-taught learning】快速稀疏编码算法   Self-taught learning是Honglak Lee等开发的一个matlab框架，能够实现他们在论文Self-taught Learning Transfer Learningfrom Unlabeled Data和Efficient sparse coding algorithms中提出的快速实现图像稀疏编
SparseAutoEncoder 稀疏自动编码器
ROS学习VS图像处理
01-29 5429
Sparse Coding 稀疏编码（Sparse Coding）是一种模拟哺乳动物视觉系统主视皮层V1区的视觉感知算法，NNSC（Non-Negative Sparse Coding，非负稀疏编码）是SC和非负矩阵分解相结合的一种编码算法。        对57个训练样本的每一幅图片随机抽样1500个4×4个图像小块，4×4可显示一个眼的余角，4×4比8×8精确的多，使 用NNSC
matlab mex 编译C sparsenet库
u013241583的博客
05-10 334
这段时间，同实验室师姐用稀疏编码sparsenet做实验，在官网有标准的linux版本 window版本为一位大牛做的，但是下载下来，为dll文件，早期版本的matlab可以打开，但是谁还用那么老的… 查看了makefile文件，发现用mex编译 上网查了资料，https://blog.csdn.net/ayw_hehe/article/details/6821225 碰到使用matlab编译c...
论文阅读：HarDNet: A Low Memory Traffic Network
a486259的博客
07-24 1190
最先进的神经网络结构，如ResNet，MobileNet和DenseNet，在低MACss和小参数模型上取得了卓越的精度。然而，这些指标对于预测推断时间可能并不准确。我们认为，访问中间特征图的内存传输可能是主导推理延迟的一个因素，特别是在实时目标检测和高分辨率视频语义分割等任务中。我们提出了一个谐波密集连接的网络，以实现在低MACss和内存流量方面的高效率。...
稀疏编码算法
06-14
图像稀疏编码的Matlab程序，压缩包里含有该程序所对应的论文
SRC稀疏编码
02-07
适合学习稀疏编码的人，是源代码，包含了实验的原始数据集，可以直接编译运行，还有一点自己的小改进，适合初学和稀疏编码爱好者下载学习参考
快速稀疏编码
11-17
用与快速稀疏编码，matlab源码，不知道大家看过没
SCSPM稀疏编码
04-04
Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification-ScSPM对应代码
稀疏编码的论文
08-07
这是一篇将稀疏编码应用于自然图像处理的论文.
干货！SpareNet：基于样式和对抗性渲染的点云补全
AITIME_HY的博客
12-24 2324
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！在本文中，我们提出了一种基于样式和对抗性可微分渲染的点云生成器(SpareNet) 用于点云补全。首先，我们提出了基于通道注意力的...
【三维深度学习】Sparse Convolutional Network 基于稀疏采样不变性的深度稠密重建
热门推荐
TomRen
08-02 1万+
【稀疏采样稠密重建】利用稀疏卷积，从稀疏不规则数据中重建出稠密准确的深度信息。SparseConvNet
MATLAB初学者入门（29）—— 傅里叶分析
最新发布
贾贾的博客
05-01 1191
傅里叶分析是一种强大的数学工具，用于分解信号为正弦和余弦组成部分。在MATLAB中，可以使用多种方法进行傅里叶分析，包括快速傅里叶变换（FFT）和功率谱密度估计等。这些方法非常适用于信号处理、振动分析、音频处理等领域。
MATLAB初学者入门（28）—— 有监督学习神经网络
贾贾的博客
04-30 1437
有监督学习神经网络是用于执行分类和回归任务的强大工具，其中网络通过输入和目标输出对的训练集来学习数据的映射。MATLAB 提供了一个易于使用的框架，用于设计、训练和验证深度学习模型，包括多层感知器（MLP）、卷积神经网络（CNN）和循环神经网络（RNN）。
稀疏编码算法python
05-23
稀疏编码算法是一种无监督学习算法，用于将输入数据表示为一组稀疏的基向量的线性组合。以下是一个简单的稀疏编码算法的 Python 实现： ```python import numpy as np def sparse_encode(X, D, lmbda): """ X: 输入数据，形状为 (样本数, 特征数) D: 基向量，形状为 (特征数, 基向量数) lmbda: 稀疏系数 """ m, n = X.shape k = D.shape[1] Z = np.zeros((n, k)) for i in range(n): x = X[:, i] # 最小化误差和稀疏度 z = np.linalg.lstsq(D, x - np.dot(D, Z[i, :]))[0] # 软门限函数 Z[i, :] = np.sign(z) * np.maximum(np.abs(z) - lmbda, 0) return Z ``` 这个函数接受输入数据 X 和基向量 D，以及一个稀疏系数 lmbda。它使用最小二乘法来计算每个输入向量在基向量上的稀疏表示，其中稀疏度由软门限函数控制。返回的 Z 矩阵包含每个输入向量的稀疏表示。需要注意的是，这个实现使用了 numpy 的 lstsq 函数来求解最小二乘问题。

“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 4
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