Robust Surface Reconstruction from Gradients via Adaptive Dictionary Regularization
University of Michigan(密歇根大学)
本文介绍了一种新的方法,强大的表面重建光度立体法向量地图,特别适合于重建表面从噪声梯度。具体而言,我们提出了一种自适应字典学习的方法,试图同时整合的梯度场,而稀疏表示的空间补丁的重建表面在自适应字典域。我们表明,我们的配方学习的表面的底层结构,有效地作为一个自适应正则化,执行重建表面上的平滑约束。我们的方法是通用的,可以与文献中的许多现有的方法,以提高重建表面的完整性。我们证明了我们的方法对合成数据以及真实的光度立体数据的性能,并评估其对噪声的鲁棒性。
2017-09-30 cs.CV stat.ML
Identifying global optimality for dictionary learning
Indiana University(印第安纳大学)
在机器学习中,学习输入观测的新表示通常使用数据的因子分解来解决。对于许多这样的问题,包括稀疏编码和矩阵完成,学习这些因子分解在效率和保证解决方案是全局最小值方面可能是困难的。最近,一般类的目标已被引入-我们的术语诱导字典学习模型(DLMs)-有一个诱导凸的形式,使全局优化。虽然理论上很有吸引力,但这种诱导形式是不切实际的,特别是对于大型或不断增长的数据集。在这项工作中,我们研究了使用实际的交替最小化算法诱导DLMs,确保收敛到全局最优。我们描述了这些模型的稳定点,并利用这些见解,突出了目标的实际选择。然后,我们提供的理论和经验证据表明,交替最小化,从一个随机初始化,收敛到全球最小的一个大的子类诱导DLMs。特别是,我们利用(潜在未知的)凸诱导形式的存在,以确定何时驻点是字典学习目标的全局最小值。然后,我们提供了一个实证调查实际的优化选择使用交替最小化诱导DLMs,批量和随机梯度下降。
2017-08-07 cs.LG stat.ML
Unique Sharp Local Minimum in $\ell_1$-minimization Complete Dictionary Learning
University of California, Berkeley(加利福尼亚大学伯克利分校);Citadel Securities(城堡证券)
我们研究了通过$\ell_1$ -最小化从一组信号中全局恢复字典的问题。我们假设信号是以独立同分布的形式产生的。来自完整参考字典$D^*\in \mathbb R^{K\times K}$的$K$原子的随机线性组合,其中线性组合系数来自伯努利型模型或精确稀疏模型。首先,我们得到了一个充分必要的规范条件的参考字典$D^*$是一个尖锐的局部极小的预期$\ell_1$目标函数。我们的结果大大扩展了Wu和Yu(2015)的结果,并允许组合系数为非负。其次,我们得到了一个明确的范围内的参考字典的目标值是最小的区域。第三,我们证明了参考字典是唯一的尖锐的局部最小值,从而建立了$\ell_1$ -最小化字典学习的第一个已知的全局性质。出于理论结果,我们引入了一个扰动为基础的测试,以确定是否字典是一个尖锐的局部最小的目标函数。此外,我们还提出了一种新的基于块坐标下降的字典学习算法,称为DL-BCD,它保证具有单调收敛性。仿真研究表明,DL-BCD具有竞争力的性能恢复率相比,许多国家的最先进的字典学习算法。
2019-02-22 cs.LG stat.ML
Pack only the essentials: Adaptive dictionary learning for kernel ridge regression
SequeL team, INRIA Lille - Nord Europe(SequeL团队,INRIA里尔-北欧)
本文提出SQUEAK算法,通过使用未归一化的RLS实现更高效的核岭回归近似,减少空间复杂度并简化计算过程。
2026-04-24 cs.LG stat.ML
Kernel Density Estimation by Stagewise Algorithm with a Simple Dictionary
Hyogo University of Health Sciences(兵库医疗大学);Chiba University(千叶大学)
本文提出了基于$U$ -散度和一个简单字典的多变量核密度估计的阶段最小化算法。该字典由一个合适的标量带宽矩阵和一部分原始数据组成。由此产生的估计给我们带来了数据自适应的加权参数和带宽矩阵,并实现了核密度估计的稀疏表示。我们开发的非渐近误差界估计通过建议的阶段最小化算法。模拟研究证实,该估计量的性能与其他已知的密度估计量相比具有竞争力或更好。
2021-08-10 cs.LG stat.CO stat.ME
Personalized Convolutional Dictionary Learning of Physiological Time Series
Centre Borelli(博雷利中心);Thales AVS(泰雷兹AVS公司);ENS Paris-Saclay(巴黎萨克雷高等师范学校);University of Pennsylvania(宾夕法尼亚大学);CMAP(应用数学与计算机科学中心);CNRS(法国国家科学研究中心);Ecole polytechnique(巴黎综合理工学院)
本文提出个性化卷积字典学习(PerCDL),通过可学习的时空变换将全局字典适配为个体局部字典,并给出理论与实验验证。
2025-03-10 cs.LG math.ST stat.ML
Robust Photometric Stereo Using Learned Image and Gradient Dictionaries
University of Michigan(密歇根大学)
光度立体是一种用于在变化的照明条件下从物体的图像估计物体的法向量的方法。最近的几个作品,扩展光度立体更一般的对象和照明条件的动机,我们研究了一个新的强大的方法,利用字典学习光度立体。具体来说,我们提出并分析了两种方法,自适应字典正则化的光度立体问题。首先,我们提出了一个图像预处理步骤,利用自适应字典学习模型,以消除噪声和其他非理想的图像数据集之前,估计法向量。我们还提出了一种替代模型,在该模型中,我们在估计过程中直接将自适应字典正则化应用于法向量本身。我们研究了这两种方法的实际性能,通过广泛的模拟,这表明这两种方法在噪声的存在下的最先进的性能。
2017-09-30 cs.CV stat.ML
Ada-LISTA: Learned Solvers Adaptive to Varying Models
Technion Institute of Technology(以色列理工学院)
基于迭代求解器的展开的神经网络(诸如LISTA(学习迭代软阈值算法))由于其加速性能而被广泛使用。然而,与非学习的求解器相反,这些网络是在特定的字典上训练的,因此它们不适用于不同的模型场景。这项工作引入了一个自适应学习求解器,称为Ada-LISTA,它接收成对的信号及其相应的字典作为输入,并学习一个通用的架构来为它们服务。我们证明了该方案是保证解决稀疏编码的线性速率为变化的模型,包括字典扰动和置换。我们还提供了一个广泛的数值研究,证明其实际的适应能力。最后,我们部署Ada-LISTA自然图像修补,补丁掩模在空间上变化,因此需要这样的适应。
2020-02-19 cs.CV cs.LG stat.ML
Convergence analysis of kernel LMS algorithm with pre-tuned dictionary
核最小均方(KLMS)算法由于其简单性和鲁棒性而成为非线性系统在线辨识的有力工具。KLMS自适应滤波器的设计除了需要选择再生核和设置滤波器参数外,还需要选择一个字典,以得到一个有限阶模型。这个字典对性能有很大的影响,需要仔细考虑。KLMS作为词典设置的功能的理论分析很少,如果有的话,在文献中得到解决。在作者先前发表的分析中,假设字典元素由输入数据的相同概率密度函数控制。在本文中,我们修改这项研究,考虑字典的一部分,过滤器参数设置。该理论分析为KLMS字典设计的进一步研究奠定了基础。
2013-10-31 stat.ML
A Split-and-Merge Dictionary Learning Algorithm for Sparse Representation
Indian Institute of Science(印度科学学院)
在大数据图像/视频分析中,我们遇到了从大型训练数据集学习用于稀疏表示的过完备字典的问题,由于存储和计算限制,这些训练数据集不能立即处理。为了解决这种情况下的字典学习问题,我们提出了一种并行字典学习算法。该算法背后的基本思想是分两个阶段学习稀疏表示。在第一阶段,整个训练数据集被划分为小的不重叠的子集,并在每个小数据库上独立地训练字典。在第二阶段,字典被合并以形成全局字典。我们表明,该算法是有效的,在其使用的内存和计算复杂性,并执行等同于标准的学习策略操作的整个数据的时间。作为应用,我们考虑图像去噪的问题。我们提出了一个比较分析我们的算法与标准的学习技术,使用整个数据库的时间,在训练和去噪性能。我们观察到,分裂和合并算法的结果在一个显着减少的训练时间,而不会显着影响去噪性能。
2014-03-19 cs.LG stat.ML
A Dictionary Based Generalization of Robust PCA
University of Minnesota-Twin Cities(明尼苏达大学双城分校)
我们分析了数据矩阵的分解,假设是一个低秩分量和一个已知字典中稀疏的分量的叠加,使用凸分层方法。我们提供了一个统一的分析,包括欠完备和过完备字典的情况下,并表明,组成部分可以成功地恢复在一些相对温和的假设下,一定的$\textit{global}$稀疏水平。此外,我们证实了我们的理论结果,提出经验评估的相变在不同的字典大小的秩和稀疏性。
2019-02-21 cs.LG math.OC stat.ML
Complete Dictionary Learning via $\ell_p$-norm Maximization
Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学)
字典学习是一种经典的表示学习方法,在信号处理和数据分析中得到了广泛的应用。本文从理论和算法两方面研究了完全字典学习问题的一类$\ell_p$ -范数($p>2,p \in \mathbb{N}$)最大化方法。具体来说,我们证明了这些配方的全球最大化非常接近真正的字典,具有很高的概率,即使高斯噪声存在。基于广义幂方法(GPM),一个有效的算法,然后开发的$\ell_p$为基础的配方。我们进一步证明了所开发的算法的有效性:对于球约束的人口GPM算法,它首先快速进入全局最大值的邻域,然后在该区域线性收敛。大量的实验表明,基于$\ell_p$的方法享有更高的计算效率和更好的鲁棒性比传统的方法和$p=3$执行最好的。
2020-07-15 cs.IT cs.LG eess.SP
Separable Dictionary Learning
Technische Universität München(慕尼黑工业大学)
计算机视觉、机器学习和统计学中的许多技术都依赖于这样一个事实,即感兴趣的信号允许在某个字典上进行稀疏表示。字典可以通过分析获得,也可以从合适的训练集中学习。虽然分析字典允许捕获信号的全局结构并允许快速实现,但学习字典通常在应用中表现更好,因为它们更适合所考虑的信号类别。不幸的是,在图像中,(i)学习字典和(ii)将字典用于重建任务的数值负担仅允许处理仅捕获局部图像信息的相对较小的图像块。本文提出的方法旨在克服这些缺点,允许在整个学习过程中的字典上的可分离的结构。一方面,这允许较大的补丁大小的学习阶段,另一方面,字典有效地应用于重建任务。学习过程是基于优化的产品领域更新的字典作为一个整体,从而强制执行基本的字典属性,如相互一致性明确在学习过程中。在没有可分离结构的特殊情况下,我们的方法与最先进的字典学习方法(如K-SVD)竞争。
2013-03-21 cs.CV cs.LG stat.ML
Learning Sparsely Used Overcomplete Dictionaries via Alternating Minimization
Microsoft Research(微软研究院);University of California, Irvine(加州大学欧文分校);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
我们考虑稀疏编码的问题,其中每个样本由一组字典原子的稀疏线性组合组成,任务是学习字典元素和混合系数。交替最小化是稀疏编码的一种流行的启发式算法,其中字典和系数在交替的步骤中估计,保持另一个固定。通常,通过$\ell_1$最小化来估计系数,保持字典固定,并且通过最小二乘法来估计字典,保持系数固定。在本文中,我们建立局部线性收敛的这种变体交替最小化,并建立吸引盆地的全局最优值(对应于真正的字典和系数)是$\order{1/s^2}$,其中$s$是稀疏水平,在每个样本和字典满足RIP。结合最近的结果近似字典估计,这产生可证明的保证字典元素和系数的精确恢复,当字典元素是不连贯的。
2014-07-28 cs.LG math.OC stat.ML
Online dictionary learning for kernel LMS. Analysis and forward-backward splitting algorithm
自适应滤波算法在再生核Hilbert空间中的非线性系统辨识中表现出优于线性滤波算法的优点。不幸的是,这些方法的一个不期望的特性是滤波器的阶数随着输入数据的数量线性增长。这大大增加了计算负担和内存需求。已经提出了各种基于字典学习的策略来克服这个严重的缺点。很少,如果有的话,这些作品分析的问题,更新字典在一个随时间变化的环境。在本文中,我们提出了一个分析研究的高斯最小均方算法的收敛行为的情况下,字典元素的统计只有部分匹配的输入数据的统计。这使我们能够强调以在线方式更新字典的必要性,丢弃过时的元素并添加适当的元素。我们引入了一个核最小均方算法与L1范数正则化自动执行这项任务。分析了该方法的平均稳定性,并通过实验验证了其性能。
2013-06-22 stat.ML
Travel time tomography with adaptive dictionaries
我们开发了一种二维走时层析成像方法,该方法通过对离散慢度图(称为补丁)中的慢度像素组进行建模,将反演正则化为字典中原子的稀疏线性组合。我们建议在反演过程中使用字典学习来使字典适应特定的慢度图。这种补丁正则化称为局部模型,被集成到称为全局模型的整体慢度图中。局部模型考虑使用稀疏约束的小尺度变化,全局模型考虑使用$\ell_2$正则化约束的大尺度特征。这种策略在局部稀疏走时层析成像(LST)的方法,使平滑和不连续的慢度功能的同时建模。这与传统的层析成像方法相反,传统的层析成像方法将模型限制为完全平滑或不连续。我们开发了一个$\textit{maximum a posteriori}$制定LST和利用字典学习的稀疏性慢补丁。LST方法与平滑和总变差正则化方法在密集但不规则采样的合成慢度图上相比毫不逊色。
2018-05-16 eess.IV physics.geo-ph stat.ML
Weakly-supervised Dictionary Learning
Oregon State University(俄勒冈州立大学)
我们提出了一个概率建模和推理框架的判别分析字典学习下的弱监督设置。字典学习方法已被广泛用于低级别信号去噪和恢复以及高级分类任务等任务,这些任务可应用于音频和图像分析。综合字典学习旨在联合学习字典和相应的稀疏系数,以提供准确的数据表示。这种方法对于去噪和信号恢复是有用的,但可能导致次优分类性能。相比之下,分析字典学习提供了一种将数据映射到适合分类的稀疏判别表示的变换。我们考虑了弱监督设置下的时间序列数据的分析字典学习问题,其中信号被分配有全局标签而不是瞬时标签信号。我们提出了一个歧视性的概率模型,采用基数控制的潜在瞬时标签信号的标签信息和稀疏性约束。我们提出了期望最大化(EM)的最大似然估计(MLE)的建议模型的过程。为了便于计算效率的E-步骤,我们提出了一个链和一个新的树图的图形模型的重新制定。所提出的模型的性能证明在合成和真实世界的数据。
2018-02-05 cs.LG eess.SP stat.ML
Study of Set-Membership Adaptive Kernel Algorithms
Centre for Telecommunications Studies (CETUC), PUC-Rio(里约热内卢天主教大学电信研究中心(CETUC));University of York(约克大学)
在过去的十年中,相当多的研究工作一直致力于开发基于核函数的自适应算法。这些算法的主要特点之一是,它们形成了一个通用的近似技术,优雅地解决非线性问题。在本文中,我们提出了数据选择自适应核归一化最小均方(KNLMS)算法,可以提高他们的学习率,降低计算复杂度。事实上,这些方法处理内核扩展,创建一个不断增长的结构,也称为字典,其大小取决于观察的数量及其创新。本文描述的算法使用自适应步长来加速学习,并且可以在收敛速度和稳态之间提供极好的折衷,这允许它们解决具有大量参数的非线性滤波和估计问题,而不需要大的计算成本。数据选择性更新方案还限制了所执行的操作的数量和由内核扩展创建的字典的大小,从而节省了计算资源并处理了内核自适应算法的主要问题之一。的统计分析进行了计算复杂度分析所提出的算法。仿真结果表明,在非线性系统辨识和非线性差分方程时间序列预测的实例中,所提出的KNLMS算法优于现有算法.
2018-08-15 cs.LG eess.SP stat.ML
Adaptive Geometric Multiscale Approximations for Intrinsically Low-dimensional Data
我们认为有效地近似和编码的问题,从概率分布$ρ$采样的高维数据在$\mathbb{R}^D$,这是几乎支持的$d$ -维集$\mathcal{M}$ -例如支持一个$d$维黎曼流形。几何多分辨率分析(GMRA)提供了一个强大的和计算效率高的程序来构建低维几何近似的$\mathcal{M}$在不同的分辨率。我们引入了一个阈值算法的几何小波系数,导致我们所谓的自适应GMRA近似。我们表明,这些数据驱动的,经验的近似表现良好,当阈值被选择为一个合适的通用函数的样本数$n$,在各种各样的措施$ρ$,允许表现出不同的规律性在不同的尺度和位置,从而有效地编码数据从更复杂的措施比那些支持流形。这些近似产生数据驱动的字典,以及将数据映射到系数的快速变换,以及这种映射的逆。用于字典构造和变换的算法都具有复杂度$C n \log n$,其中$D$中为常数线性,而$d$中为指数。因此,我们的工作建立自适应GMRA作为一个快速的字典学习算法与近似保证。我们包括几个数值实验的合成和真实的数据,证实我们的理论结果和自适应GMRA的有效性。
2017-07-18 cs.IT math.IT math.ST
Gaussian Process Bandits for AI System Optimization with Selectively Verified Feedback
UCLA(加利福尼亚大学洛杉矶分校)
该研究针对AI系统优化中模型评估与可信反馈不一致的问题,提出结合可靠性覆盖与奖励分离的固定审计设计及安全自适应扩展方法,通过合成实验验证其性能并分析相关影响因素。
2026-10-14 cs.AI cs.LG stat.ML
Complete Dictionary Learning via $\ell^4$-Norm Maximization over the Orthogonal Group
University of California, Berkeley(加州大学伯克利分校);Kuaishou Technology(快手科技);Columbia University(哥伦比亚大学)
本文认为,学习一个完整的(正交)字典从稀疏生成的信号样本的基本问题。大多数现有的方法解决字典(和稀疏表示)的启发式算法的基础上,通常没有最优性或复杂性的理论保证。最近的基于$\ell^1$最小化的方法确实提供了这样的保证,但是相关联的算法一次一列地恢复字典。在这项工作中,我们提出了一个新的配方,最大限度地提高正交组的$\ell^4$ -范数,学习整个字典。我们证明了在随机数据模型下,几乎最小的样本复杂度,全局最优的$\ell^4$规范是非常接近地面真理的符号排列。受此启发,我们给出了一个概念上简单,但有效的算法的基础上“匹配,拉伸和投影”(MSP)。该算法可证明局部收敛在一个超线性(立方)的速度和成本,每次迭代仅仅是一个SVD。除了强有力的理论保证外,实验表明,新算法比现有的方法,包括基于KSVD和$\ell^1$的方法,明显更高效和有效。混合真实图像数据的初步实验结果清楚地表明,这样学习的字典在经典的PCA基地的优势。
2021-04-06 cs.LG eess.SP stat.CO
Initialising Kernel Adaptive Filters via Probabilistic Inference
Universidad de Chile(智利大学)
我们提出了一个概率框架(i)确定内核自适应滤波器(KAF)的初始设置和(ii)构建完全自适应KAF,其中除了权重和字典,内核参数顺序学习。这是通过将估计器公式化为概率模型并在内核参数、权重和字典上定义专用的先验分布来实现的,从而强制执行诸如稀疏性之类的期望属性。然后,可以使用数据的子集来训练模型,以初始化标准KAF,或者在每次新的观察变得可用时顺序地更新模型。由于模型的非线性/非高斯特性,学习和推理是使用基于梯度的最大后验优化和马尔可夫链蒙特卡罗方法实现的,并且可以自信地用于计算预测。所提出的框架进行了验证的非线性时间序列的合成和现实世界的性质,在均方误差和稀疏的学习字典方面,它优于标准的KAF。
2017-07-11 cs.LG stat.ML
Supervised Dictionary Learning with Auxiliary Covariates
University of Wisconsin - Madison(威斯康星大学麦迪逊分校);University of California, Riverside(加州大学河滨分校)
有监督字典学习(SDL)是一种经典的机器学习方法,它同时寻找特征提取和分类任务,这些任务不一定是先验对齐的目标。SDL的目标是学习一个类判别字典,它是一组潜在的特征向量,可以很好地解释观察到的数据的特征和标签。本文对SDL进行了系统的研究,包括SDL的理论、算法和应用。首先,我们提供了一个新的框架,“升降机”SDL作为一个凸问题,在一个组合的因素空间,并提出了一个低秩投影梯度下降算法,指数收敛到全局最小的目标。我们还制定生成模型的SDL和提供全球估计保证的真实参数取决于超参数制度。其次,作为一个非凸约束优化问题,我们提供了一个有效的块坐标下降算法的SDL是保证找到一个$\varepsilon$ -平稳点的目标在$O(\varepsilon^{-1}(\log \varepsilon^{-1})^{2})$迭代。对于相应的生成模型,我们建立了一个新的约束和正则化极大似然估计问题的非渐近局部一致性结果,这可能是独立的利益。第三,我们将SDL应用于通过监督主题建模的不平衡文档分类,以及从胸部X射线图像中检测肺炎。我们还提供了模拟研究表明,SDL变得更有效时,有一个最好的重建和最好的歧视字典之间的差异。
2022-06-14 cs.LG math.ST stat.ML
Learning dynamical systems from data: Gradient-based dictionary optimization
Maxwell Institute for Mathematical Sciences, University of Edinburgh and Heriot–Watt University(麦克斯韦数学科学研究所,爱丁堡大学和赫瑞斯泰学院);Department of Mathematics, City University of Hong Kong(香港城市大学数学系);School of Mathematical and Computer Sciences, Heriot–Watt University(赫瑞斯泰大学数学与计算机科学学院)
针对数据驱动逼近Koopman算子时基函数选择依赖先验知识的问题,提出一种基于梯度下降的字典优化框架,可结合EDMD等方法从数据中学习可解释基函数,在多个基准问题上验证了有效性。
2025-07-01 cs.LG math.DS stat.ML
On the Reconstruction Risk of Convolutional Sparse Dictionary Learning
Carnegie Mellon University(卡内基梅隆大学)
稀疏字典学习(SDL)已经成为一种流行的方法,用于自适应地识别数据集的简约表示,这是机器学习和信号处理中的一个基本问题。虽然SDL的大多数工作都假设独立和相同分布的样本的训练数据集,但称为卷积稀疏字典学习(CSDL)的变体放宽了这一假设,允许更一般的顺序数据源,如时间序列或其他相关数据。虽然最近的工作已经探讨了经典SDL的统计特性,CSDL的统计特性仍然没有得到研究。本文开始研究这一点,确定极小极大收敛速度的CSDL重建风险方面,既上限的风险建立CSDL估计和证明匹配的信息理论下界。我们的研究结果表明,重建风险的一致性在“超稀疏”设置中是可能的,其中稀疏性(即,特征出现的次数)在$o(N)$中,就训练序列的长度N而言。值得注意的是,我们的结果做出了非常弱的假设,允许任意字典和相关测量噪声。最后,我们验证了我们的理论结果与数值实验的合成数据。
2018-02-24 cs.IT cs.LG math.IT
Cloud K-SVD: A Collaborative Dictionary Learning Algorithm for Big, Distributed Data
Rutgers University–New Brunswick(罗格斯大学新伯朗士威分校)
本文研究了分布式大数据的数据自适应表示问题。假设一些地理上分布的、相互连接的站点具有大量的本地数据,并且它们有兴趣协作地学习这些数据的低维几何结构。与以往基于子空间的数据表示方法不同,本文主要研究子空间联合体的几何结构。在这方面,它提出了一种分布式算法-云K-SVD-用于协作学习的UoS结构的分布式数据的兴趣。云K-SVD的目标是在每个单独的站点学习一个公共的过完备字典,使得分布式数据中的每个样本都可以通过学习字典的少量原子来表示。Cloud K-SVD实现了这一目标,而无需在研究中心之间交换单个样本。这使得它适用于由于隐私问题或大量数据而不鼓励共享原始数据的应用程序。本文还提供了云K-SVD的分析,深入了解其属性以及在各个站点从集中式解决方案中学习的字典的偏差,这些偏差是根据本地/全局数据和互连拓扑的不同度量。最后,本文数值说明了云K-SVD的真实和合成的分布式数据的有效性。
2015-08-17 cs.IT cs.LG math.IT
Efficient Adaptive Compressive Sensing Using Sparse Hierarchical Learned Dictionaries
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
压缩感知(CS)中的最近突破性结果已经确立,许多高维对象可以从相对少量的非自适应线性投影观测中准确地恢复,只要对象在某种基础上具有稀疏表示。随后的努力表明,CS的性能可以通过利用非零信号系数的位置中的结构(结构化稀疏性)或在感测过程中使用某种形式的在线测量聚焦(自适应性)来改善。在本文中,我们研究了这两种技术的强大的混合体。首先,我们描述了一个简单的自适应传感过程,并表明它是一个可证明的有效方法,用于获取稀疏信号,表现出结构稀疏性特征的基于树的系数依赖关系。接下来,采用稀疏层次字典学习的技术,我们表明,表现出适当形式的结构化稀疏的表示可以从训练数据的集合中学习。这些技术的组合导致有效且高效的自适应压缩采集过程。
2011-11-29 cs.CV cs.IT math.IT