做完饭后,接着聊。
尽可能写的通俗一些。
1. 起因
compressive sensing(CS) 又称 compressived sensing ,compressived sample
大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。
中文的翻译成“压缩传感”,意思变得至少不太好理解了。
本文不负责任的传2个八卦,大家一笑了之。
(1)CS大约是2000年左右的一篇博士论文中,已经出现了雏形。后来被陶哲轩,C牛(Emmanuel Candes)和D(Donoho)牛,完善理论。这几位顶尖高手联手挖出了信号处理领域、机器学习领域,近10年最大的学术大坑。
2004年左右,大牛们聊天,觉得要起一个简单的名字,因为理论本身是“通过对信号的高度不完备线性测量的高精确的重建”,如果这样名字不响,不能起到理论推广作用。所以就成了现在的名字"compressive sensing"。
(2)陶哲轩,是这个世界上最聪明的人,他怎么会关注到CS呢?有个八卦,是偶然的机会,随手搞定的。陶哲轩是这个世界上搞调和分析的顶尖高手之一(当然他别的方面也很厉害)。话说一天,”一个年轻应用数学家正在研究这个问题,取得了很大进展,但是有些关键的步骤所牵涉到的数学过于艰深,于是他被这些困难暂时卡住了。某一日这个数学家去幼儿园接孩子,正好遇上了也在接孩子的陶哲轩,两人攀谈的过程中他提到了自己手头的困难,于是陶哲轩也开始想这个问题,然后把剩下的困难部分解决了……“原文出处,科学松鼠会。这个 介绍陶哲轩的文章。
2. 现状
研究压缩感知已经是最近信号处理、统计、机器学习的大热方向。
这篇文章不想介绍什么是压缩感知,原因有2:(1)介绍未必有别人介绍的好;(2)时间有限。
那么,研究压缩感知的内容有几块呢?
(1)压缩感知理论,比如测量矩阵,重建性能分析,测量数据量化影响,。。。。。。;
(2)优化算法,本质上是重建算法优化,比如线性规划(LP)、贝叶斯优化等等;
(3)实际的应用,压缩?后处理?分类?等等
3. depressive sensing or compressive sensing?
我主要关注于实际应用。事实上,我也没有任何本事可以关注前面2个方向,呵呵
那么事实上是什么样的?很多人,都发出感慨,compressive sensing的实际用于信号采集效果其实并不是很好。
就从我的实验而言,对于图像压缩甚至会差的很,远远低于传统的压缩方式。
那就不难有学者发出感叹,实际上compressive sensing 就是depressive sensing了。
我的理解是什么呢?有2点牢牢记住的
(1)compressive sensing实际上是对信号采集的颠覆性的理论,打破了乃奎斯特采样(也称香农采样)。
实际上,大部分信号是稀疏的,没有必要用乃奎斯特采样,进行时间离散化。
注意两点:(1)乃奎斯特采样对信号没有稀疏性的假设;
(2)CS对信号有稀疏性假设,既K稀疏;
那么,信号采集过程也就是说从A2D,变成了A2I。
但是在实际应用角度,2者结合会有很大的收益。(个人观点)
(2)compressive sensing本事是最大后验(MAP)解码,这点比传统的方式要更为”先进“,也更为”危险“。
用一个小故事结束这篇吧
当初法拉第最初发现电磁感应的重要原理时,做了一个报告。
有个妇女做完等他做完报告之后,问法拉第:"这个又有什么用处呢!"
法拉弟回答说:"刚生下来的婴儿有什么用呢?"
想想看,现在我们周围不是全部都是电磁相关的东西吗?电磁作用在改变成我们的生活。
The true sign of intelligence is not knowledge but imagination.
--------Albert Einstein
尽可能写的通俗一些。
1. 起因
compressive sensing(CS) 又称 compressived sensing ,compressived sample
大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。
中文的翻译成“压缩传感”,意思变得至少不太好理解了。
本文不负责任的传2个八卦,大家一笑了之。
(1)CS大约是2000年左右的一篇博士论文中,已经出现了雏形。后来被陶哲轩,C牛(Emmanuel Candes)和D(Donoho)牛,完善理论。这几位顶尖高手联手挖出了信号处理领域、机器学习领域,近10年最大的学术大坑。
2004年左右,大牛们聊天,觉得要起一个简单的名字,因为理论本身是“通过对信号的高度不完备线性测量的高精确的重建”,如果这样名字不响,不能起到理论推广作用。所以就成了现在的名字"compressive sensing"。
(2)陶哲轩,是这个世界上最聪明的人,他怎么会关注到CS呢?有个八卦,是偶然的机会,随手搞定的。陶哲轩是这个世界上搞调和分析的顶尖高手之一(当然他别的方面也很厉害)。话说一天,”一个年轻应用数学家正在研究这个问题,取得了很大进展,但是有些关键的步骤所牵涉到的数学过于艰深,于是他被这些困难暂时卡住了。某一日这个数学家去幼儿园接孩子,正好遇上了也在接孩子的陶哲轩,两人攀谈的过程中他提到了自己手头的困难,于是陶哲轩也开始想这个问题,然后把剩下的困难部分解决了……“原文出处,科学松鼠会。这个 介绍陶哲轩的文章。
2. 现状
研究压缩感知已经是最近信号处理、统计、机器学习的大热方向。
这篇文章不想介绍什么是压缩感知,原因有2:(1)介绍未必有别人介绍的好;(2)时间有限。
那么,研究压缩感知的内容有几块呢?
(1)压缩感知理论,比如测量矩阵,重建性能分析,测量数据量化影响,。。。。。。;
(2)优化算法,本质上是重建算法优化,比如线性规划(LP)、贝叶斯优化等等;
(3)实际的应用,压缩?后处理?分类?等等
3. depressive sensing or compressive sensing?
我主要关注于实际应用。事实上,我也没有任何本事可以关注前面2个方向,呵呵
那么事实上是什么样的?很多人,都发出感慨,compressive sensing的实际用于信号采集效果其实并不是很好。
就从我的实验而言,对于图像压缩甚至会差的很,远远低于传统的压缩方式。
那就不难有学者发出感叹,实际上compressive sensing 就是depressive sensing了。
我的理解是什么呢?有2点牢牢记住的
(1)compressive sensing实际上是对信号采集的颠覆性的理论,打破了乃奎斯特采样(也称香农采样)。
实际上,大部分信号是稀疏的,没有必要用乃奎斯特采样,进行时间离散化。
注意两点:(1)乃奎斯特采样对信号没有稀疏性的假设;
(2)CS对信号有稀疏性假设,既K稀疏;
那么,信号采集过程也就是说从A2D,变成了A2I。
但是在实际应用角度,2者结合会有很大的收益。(个人观点)
(2)compressive sensing本事是最大后验(MAP)解码,这点比传统的方式要更为”先进“,也更为”危险“。
用一个小故事结束这篇吧
当初法拉第最初发现电磁感应的重要原理时,做了一个报告。
有个妇女做完等他做完报告之后,问法拉第:"这个又有什么用处呢!"
法拉弟回答说:"刚生下来的婴儿有什么用呢?"
想想看,现在我们周围不是全部都是电磁相关的东西吗?电磁作用在改变成我们的生活。
The true sign of intelligence is not knowledge but imagination.
--------Albert Einstein