Face Recognition via Locality Constrained Low Rank Representation and Dictionary Learning
Jiangnan University（江南大学）；Jiangsu Provincial Engineering Laboratory of Pattern Recognition and Computational Intelligence（江苏省模式识别与计算智能工程实验室）；University of Surrey（萨里大学）
人脸识别由于其在智慧城市应用中的重要性而得到了广泛的研究。然而，当训练图像和测试图像都被破坏时，情况没有得到很好的解决。针对这一问题，本文提出了一种局部约束的低秩表示和字典学习（LCLRRDL）算法，用于鲁棒的人脸识别。特别是，我们提出了三个贡献，在拟议的提法。首先，引入低秩表示来处理训练数据和测试数据的可能污染。其次，局部性约束的加入，以确认固有的流形结构的训练数据。通过引入局部性约束项，我们的方案使得相似的样本具有相似的表征。第三，学习一个紧凑的字典来处理损坏数据的问题。在两个公共数据库上的实验结果证明了该方法的有效性。我们提出的LCLRRDL的Matlab代码可以从https://github.com/yinhefeng/LCLRRDL下载。
2019-12-06 cs.CV
A Lightweight Randomized Nonlinear Dictionary Learning Method using Random Vector Functional Link
University of Hyderabad（海得拉巴大学）；School of Computer and Information Sciences（计算机与信息科学学院）
提出一种基于RVFL的无SVD轻量级非线性字典学习方法RVFLDL，通过非线性变换引入高阶依赖，在图像分类与重建中表现优于其他方法。
2024-04-24 cs.CV
Scalable Block-Diagonal Locality-Constrained Projective Dictionary Learning
Hefei University of Technology（合肥工业大学）；Soochow University（苏州大学）；University of Queensland（昆士兰大学）；University of Georgia（佐治亚大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一种新的结构化判别块对角字典学习方法，称为可扩展的局部约束投影字典学习（LC-PDL），有效的表示和分类。为了通过节省训练和测试时间来提高可扩展性，我们的LC-PDL旨在学习结构化的判别字典和块对角表示，而不使用昂贵的l0/l1范数。此外，它避免了额外的时间消耗稀疏重建过程与训练好的字典新的样本，许多现有的模型。更重要的是，LC-PDL避免了使用互补数据矩阵来学习每个类的子字典。为了提高性能，我们将局部约束的原子到DL过程中，以保持本地信息，并获得代码的样本在每个类分别。通过提取数据的特殊块对角特征，推导出块对角判别逼近项，学习判别投影，将数据与其编码连接起来，保证逼近系数与其标签信息清晰地关联。然后，一个强大的多类分类器进行训练提取的块对角码准确的标签预测。实验结果验证了该算法的有效性。
2019-05-25 cs.CV
Cloud K-SVD for Image Denoising
Aarhus University（奥胡斯大学）
云K-SVD是一种字典学习算法，它可以在多个节点上进行训练，从而产生一个共同的字典来表示图像数据中的低维几何结构。我们提出了一种新的应用程序的算法，因为我们用它来恢复无噪和嘈杂的图像重叠补丁。我们使用Docker容器在Kubernetes中实现了一个节点网络，以促进Cloud K-SVD。实验结果表明，云K-SVD算法可以近似地恢复图像，并在不牺牲恢复精度的前提下，从基准灰度图像中去除可量化的噪声;我们实现了0.88，0.91和0.95之间的干净和恢复图像的噪声水平的SSIM指数（$μ$ = 0，$σ^{2}$ = 0.01，0.005，0.001），这与现场的SOTA类似。Cloud K-SVD显然能够学习跨多个节点的互字典，并从图像中去除AWGN。互字典可用于在网络中的任何节点处恢复特定图像。
2023-03-01 cs.AI cs.CV cs.DC
Blind Source Separation Based on Sparsity
Imperial College London Department of Electrical and Electronic Engineering（伦敦帝国学院电子与电气工程系）
本报告探讨了基于稀疏性的盲源分离方法，介绍了MCA理论及MMCA、GMCA等变体，提出了基于块稀疏字典学习的改进算法SAC+BK-SVD，实验证明其提升了盲图像分离质量。
2025-04-27 cs.CV
Dictionary Learning for Adaptive GPR Landmine Classification
Fraunhofer Institute for High Frequency Physics and Radar Techniques（弗劳恩霍夫高频物理与雷达技术研究所）；The University of Iowa（爱荷华大学）；Weizmann Institute of Science（魏茨曼科学研究所）；University of Siegen（锡根大学）
探地雷达目标检测与分类是一项具有挑战性的工作。在这里，我们考虑在线字典学习（DL）的方法来获得稀疏表示（SR）的探地雷达数据，以提高目标分类通过支持向量机的特征提取。在线方法是首选的，因为传统的批量DL，如K-SVD，是不可扩展的高维训练集和不可行的实时操作。我们还开发了丢弃MINi-batch在线字典学习（DOMINODL），它利用了很多训练数据可能是相关的这一事实。DOMINODL算法以小批量迭代地考虑训练集的元素，并丢弃变得不太相关的样本。对于废弃的杀伤人员地雷分类的情况下，我们比较了K-SVD的性能与三个在线算法：经典的在线字典学习，其相关性为基础的变体，和DOMINODL。我们对L波段GPR的真实数据进行的实验表明，在线DL方法比K-SVD方法减少了36-93%的学习时间，并将地雷检测提高了4-28%。我们的DOMINODL是最快的，并保留了类似的分类性能作为其他两个在线DL方法。我们使用Kolmogorov-Smirnoff测试距离和Dvoretzky-Kiefer-Wolfowitz不等式来选择DL输入参数，从而增强分类结果。为了进一步与最先进的分类方法进行比较，我们评估了卷积神经网络（CNN）分类器，其性能比所提出的方法更差。此外，当所获取的样本被随机减少25%、50%和75%时，基于稀疏分解的分类与DL保持鲁棒性，而CNN的准确性被大大损害。
2019-06-12 cs.CV
Joint Subspace Recovery and Enhanced Locality Driven Robust Flexible Discriminative Dictionary Learning
Hefei University of Technology（合肥工业大学）；Soochow University（苏州大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Queensland（昆士兰大学）
我们提出了一种基于子空间恢复和增强局部性的鲁棒柔性标签一致性字典学习方法，称为鲁棒柔性判别字典学习（RFOLD）。该算法主要通过增强对稀疏错误的鲁棒性，对局部性、重构错误和标签一致性进行更精确的编码，来提高数据的表示和分类能力。首先，为了对数据和原子中的噪声和稀疏错误具有鲁棒性，RFRST旨在联合恢复底层的干净数据和干净原子子空间，然后在恢复的子空间中执行DL并编码局部性。其次，为了使从非线性流形采样的数据能够潜在地处理，并通过避免过拟合来获得准确的重建，RFFLOW以灵活的方式最小化重建误差。第三，为了对标签一致性进行准确编码，RFRST涉及有区别的灵活稀疏码错误以鼓励系数变软。第四，为了更好地编码局部性，RFFNN定义了恢复原子上的拉普拉斯矩阵，包括原子在类内紧凑性和类间分离方面的标签信息，并与组稀疏码和分类器相关联，以获得准确的区分性局部约束系数和分类器。在公共数据库上的大量结果表明了我们的RFESTs的有效性。
2019-06-11 cs.CV cs.LG
KCRC-LCD: Discriminative Kernel Collaborative Representation with Locality Constrained Dictionary for Visual Categorization
Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；South China University of Technology（华南理工大学）
我们考虑的图像分类问题，通过核协同表示分类局部约束字典（KCRC-LCD）。具体地说，我们提出了一种核协同表示分类（KCRC）的方法，在该方法中，核方法被用来提高协同表示分类（CRC）的区分能力。然后，我们测量的查询和原子之间的相似性，以构建一个局部约束字典（LCD）的KCRC。此外，我们还讨论了LCD中的几种相似性度量方法，并进一步提出了一种简单有效的统一相似性度量方法，其优越性在实验中得到了验证。LCD有几个吸引人的方面。第一，LCD可以很好地纳入九铁的架构内。在KCRC下，可以将LCD相似性度量核化，从而在核方法下从理论上将CRC和LCD联系起来。其次，KCRC-LCD变得更可扩展到训练集大小和特征维度。算例表明，KCRC能够很好地对具有一定分布的数据进行分类，而传统的CRC则完全失效。在许多公共数据集上的综合实验也表明，KCRC-LCD是一种鲁棒的判别分类器，具有优异的性能和良好的可扩展性，与许多其他最先进的方法相当或优于其他方法。
2014-10-17 cs.CV cs.LG
Denoising and Completion of 3D Data via Multidimensional Dictionary Learning
Tufts University（塔夫茨大学）
本文提出了一种新的多维数据字典学习算法。与大多数传统的用于处理向量或矩阵的字典学习方法不同，我们的算法名为KTSVD，通过[3，12，13]中提出的张量因子分解的新代数方法直接学习多维字典。使用这种方法可以定义一个张量SVD，我们建议扩展K-SVD算法用于1-D数据的K-TSVD算法处理2-D和3-D数据。我们的算法，基于稀疏编码的思想（使用组稀疏多维系数向量），估计一个紧凑的表示和字典学习之间的交替。我们分析了我们的KTSVD算法，并展示了其结果的视频完成和多光谱图像去噪。
2015-12-31 cs.CV cs.DS cs.LG
Deep Face Image Retrieval: a Comparative Study with Dictionary Learning
Eötvös Loránd University（厄特沃什·罗兰大学）；Mutah University（穆塔大学）；Gazi University（加齐大学）；BUET（孟加拉国工程技术大学）
人脸图像检索是一项具有挑战性的任务，因为人脸具有许多相似的特征（区域），这使得检索系统很难区分不同的人。随着深度学习的出现，深度网络通常被应用于提取在计算机视觉的许多领域中使用的强大特征。本文研究了不同深度学习模型在人脸图像检索中的应用，即Alexlayer 6，Alexlayer 7，VGG 16 layer 6，VGG 16 layer 7，VGG 19 layer 6和VGG 19 layer 7，以及两种类型的字典学习技术，即$K$ -means和$K$ -SVD。我们还研究了一些系数学习技术，如同伦，Lasso，弹性网络和SSF的人脸检索系统的效果。在三个标准人脸图像数据集上进行的实验比较结果表明，性能最好的人脸图像检索算法是采用$K$ -means和SSF的Alexlayer 7，采用$K$ -SVD和SSF的Alexlayer 6，以及采用$K$ -means和SSF的Alexlayer 6.进一步将这些方法的APR和ARR与基于局部描述符的一些现有技术方法进行比较。实验结果表明，深度学习优于大多数方法，因此可以推荐用于人脸图像检索的实践
2018-12-13 cs.CV
Efficient Face Alignment via Locality-constrained Representation for Robust Recognition
South China University of Technology（华南理工大学）；Peking University（北京大学）；Shenzhen University（深圳大学）；Chinese Academy of Sciences（中国科学院）
在过去的几十年里，人们一直在研究实用的人脸识别，但仍然是一个开放的挑战。目前流行的方法已经在识别精度方面取得了实质性的突破。然而，如果人脸样本严重错位，它们的性能通常会急剧下降。为了解决这个问题，我们提出了一个高效的误识鲁棒局部约束表示（MRLR）算法，用于实际的实时人脸识别。具体地说，局部约束，激活最相关的原子和抑制不相关的，被应用于构建字典的人脸对齐。然后，我们同时对齐扭曲的脸，并更新局部约束字典，最终获得最终的对齐。此外，我们利用块结构来加速导出的解析解。在公共数据集上的实验结果表明，MRLR在效率和可扩展性方面明显优于几种最先进的方法，具有更好的性能。
2015-10-31 cs.CV
Robust Kronecker-Decomposable Component Analysis for Low-Rank Modeling
Imperial College London（帝国理工学院）；Middlesex University（密德萨斯大学）；University of Oulu（奥卢大学）
字典学习和分量分析是研究最充分和最活跃的研究领域之一的一部分，处于信号和图像处理、计算机视觉和统计机器学习的交叉点。在字典学习中，当前选择的方法可以说是K-SVD及其变体，它们学习字典（即，分解）以用于经由奇异值分解的稀疏编码。在鲁棒分量分析中，主要的方法来自主分量追踪（PCP），它从未知幅度和支持的稀疏损坏中恢复低秩矩阵。然而，K-SVD对训练集中噪声和离群值的存在很敏感。此外，PCP不提供尊重数据结构的字典（例如，图像），并且当通过凸松弛求解时需要昂贵的SVD计算。在本文中，我们介绍了一种新的鲁棒分解的图像结合稀疏字典学习和PCP的想法。我们提出了一种新的克罗内克可分解成分分析，它对严重腐败具有鲁棒性，可用于低秩建模，并利用可分性来解决显着较小的问题。我们设计了一个有效的学习算法，通过绘制与张量分解的限制形式的链接。所提出的方法的有效性证明了在现实世界中的应用，即背景减除和图像去噪，通过执行一个彻底的比较与当前的最先进的。
2017-07-26 cs.CV stat.ML
Discriminative Local Sparse Representation by Robust Adaptive Dictionary Pair Learning
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；YITU Technology（依图科技）
本文提出了一种结构化的Robust Adaptive Dictionary Pair Learning（RA-DPL）框架，用于离散稀疏表示学习。为了实现可用样本的强大表示能力，RA-DPL的设置无缝集成了鲁棒的投影字典对学习，局部自适应稀疏表示和判别编码系数学习到一个统一的学习框架。具体来说，RA-DPL在四个方面改进了现有的投射词典对学习。首先，采用稀疏l2，1-范数度量对重构误差进行编码，得到鲁棒的投影字典对，并且l2，1-范数具有最小化误差的潜力.其次，该算法在分析字典中明确地引入了鲁棒的l2，1范数，以保证编码系数的稀疏性，而不是使用代价高昂的l0/l1范数。因此，数据表示的鲁棒性和学习过程的效率被共同考虑，以保证我们的RA-DPL的效率。第三，RA-DPL构思了一个结构化的重构权重学习范例，以自适应的方式清晰地保持每个类内编码系数的局部结构，这鼓励产生局部保持表示。第四，它还考虑通过引入鉴别函数来提高编码系数和字典的鉴别能力，这可以确保代码空间中的高类内紧凑性和类间分离。大量的实验表明，我们的RA-DPL可以获得优于其他国家的最先进的性能。
2019-11-20 cs.CV
Label Embedded Dictionary Learning for Image Classification
China University of Petroleum（中国石油大学）
近年来，标签一致性k-svd（LC-KSVD）算法在图像分类中得到了成功的应用。LC-KSVD的目标函数由重构误差、分类误差和稀疏码鉴别误差组成，稀疏码鉴别误差带有L0范数稀疏正则项。然而，L0-范数导致NP-困难问题。尽管正交匹配追踪等方法可以在一定程度上解决这一问题，但要找到最优稀疏解是相当困难的。为了克服这一局限性，我们提出了一种标签嵌入字典学习（LEDL）方法，利用L1范数作为稀疏正则化项，这样我们就可以通过求解凸优化问题来避免难以优化的问题。然后利用乘子交替方向法和分块坐标下降算法对相应的目标函数进行优化。在6个基准数据集上的实验结果表明，与传统的分类算法相比，该算法具有更好的性能.
2019-04-17 cs.CV
Optimization of Clustering for Clustering-based Image Denoising
研究了加性高斯白噪声（AWGN）污染图像的去噪问题。这一问题在信号处理领域已经持续了50多年。本文提出了一种基于图像构造块全局聚类的方法。注意到聚类类型在基于聚类的去噪方法中起着重要作用，我们解决了两个关于聚类的问题。首先，应该考虑哪些数据部分进行聚类？第二，什么样的数据聚类方法适合去噪？利用聚类来学习过完备字典。通过获得稀疏分解的噪声图像块的字典原子，实现去噪版本。实验结果表明，我们的字典学习框架优于传统的字典学习方法，如K-SVD。
2013-10-28 cs.CV
Multi-focus Image Fusion using dictionary learning and Low-Rank Representation
Jiangnan University（江南大学）
在表示学习中，低秩表示（Low-rank Representation，LRR）是众多领域的研究热点之一，特别是在图像处理和模式识别中。LRR虽然能够捕获全局结构，但由于缺乏字典学习，局部结构保持能力有限。本文提出了一种新的基于字典学习和LRR的多聚焦图像融合方法，以获得更好的全局和局部性能。首先，利用滑动窗口技术将源图像分割成若干块。然后，根据方向梯度直方图（HOG）功能的补丁进行分类。每一类子字典的学习是通过K-奇异值分解（K-SVD）算法实现的。其次，通过组合这些子字典来构造全局字典。然后，我们使用LRR中的全局字典来获得每个补丁的LRR系数向量。最后，对每个系数向量采用l_1范数和最大值融合策略，利用融合后的LRR系数和全局字典重构融合图像。实验结果表明，该方法与经典方法和新方法相比，在定性和定量评价上都具有很好的性能https://github.com/hli1221/imagefusion_dllrr
2018-12-18 cs.CV
Efficient GPU Implementation for Single Block Orthogonal Dictionary Learning
University Politehnica of Bucharest（布加勒斯特理工大学）
稀疏表示的字典训练涉及处理大量数据和复杂的算法，这些算法决定了耗时的实现。SBO是一种迭代字典学习算法，基于通过奇异值分解构建标准正交基的并集，其通过单个最佳拟合标准正交基来表示每个数据项。在本文中，我们提出了一个GPGPU的方法来实现SBO在OpenCL。我们提供了一个无锁的解决方案，通过遵循稀疏编码阶段的map-reduce模型和使用分区全局地址空间（PGAS）模型来开发并行字典更新，确保GPU的完全占用。由此产生的实施实现了一个有利的权衡算法的复杂性和数据表示质量相比，PAK-SVD，这是标准的过完备字典学习方法。我们提出和讨论的数值结果显示了显着的加速字典学习过程的执行时间。
2014-12-16 cs.CV cs.DC
Convolutional Dictionary Learning via Local Processing
Technion - Israel Institute of Technology（以色列理工学院）
卷积稀疏编码（Convolutional Sparse Coding，CSC）是信号和图像处理领域中越来越流行的模型，它解决了传统的基于块的稀疏表示的一些局限性。虽然有几个作品已经解决了这个模型下的字典学习问题，这些依赖于ADMM制定在傅立叶域中，失去了地方感和传统的基于补丁的稀疏追求的关系。最近的一项工作提出了一种新的理论分析这个全球模型，提供保证，依赖于本地化的稀疏性措施。在这里，我们扩展了这种局部-全局关系，展示了如何有效地解决卷积稀疏追踪问题和训练所涉及的滤波器，同时在图像补丁上进行局部操作。我们的方法提供了一个直观的算法，可以利用标准的稀疏表示领域的技术。所提出的方法是快速训练，简单的实施，并足够灵活，它可以很容易地部署在各种应用。我们证明了所提出的训练计划的图像修补和图像分离，同时达到国家的最先进的结果。
2017-05-09 cs.CV
Randomized LU decomposition: An Algorithm for Dictionaries Construction
近年来，独特的字典建设已经获得了重要性，因为他在数据处理的有用性。通常，从训练数据构建一个或多个字典，然后使用它们来对未参与训练过程的信号进行分类。介绍了一种新的字典构造算法。它是基于一个低秩矩阵因式分解正在实现的随机LU分解的应用程序的训练数据。这种方法是快速的，可扩展的，可并行化的，消耗低内存，优于SVD在这些类别中，也非常好地工作在大型稀疏矩阵。与现有方法相比，随机LU分解构造了一个欠完备字典，简化了新到达信号的构造和分类过程。字典结构是通用的和通用的，适合不同的应用。我们证明了该算法的文件类型识别，这是一个基本的任务，在数字安全领域，现在执行例如沙箱机制，深度包检测，防火墙和防病毒系统的能力。我们提出了一种基于内容的方法，检测既不依赖于文件扩展名，也不依赖于元数据的文件类型。这种方法是很难欺骗，我们表明，只有几个文件片段，从一个完整的文件需要一个成功的分类。基于构造的字典，我们表明，该方法可以有效地识别PDF文件中的执行代码片段。$\textbf{Keywords.}$字典构建，分类，LU分解，随机LU分解，基于内容的文件检测，计算机安全。
2018-01-27 cs.CV
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
Unidentified Floating Object detection in maritime environment using dictionary learning
Centre Borelli, ENS Paris-Saclay（巴黎萨克雷高等师范学校博雷利中心）；iXblue（iXblue公司）
由于观测场景的复杂性，海洋区域是目标检测最具挑战性的场景之一。在这篇文章中，我们提出了一种新的方法来检测海洋环境中的不明漂浮物。所提出的方法是能够检测浮动对象，而无需任何先验知识，他们的视觉外观，形状或位置。使用从K-SVD算法学习的视觉词典对来自视频流的输入图像进行去噪。去噪后的图像是由自相似的内容。之后，我们提取残差图像，这是原始图像和去噪（自相似）图像之间的差异。因此，残差图像包含噪声和显著结构（对象）。这些突出的结构可以使用相反模型来提取。我们展示了我们的算法的能力，通过测试它展示不同的海上场景的视频。
2020-07-30 cs.CV cs.LG eess.IV
Automatic 3D Liver Segmentation Using Sparse Representation of Global and Local Image Information via Level Set Formulation
Leibniz University Hannover（汉诺威莱布尼茨大学）；TU Dresden（德累斯顿工业大学）
在本文中，提出了一种新的框架自动肝脏分割通过水平集制定。一个稀疏表示的全球（区域为基础的）和本地（体素明智的）图像信息嵌入在水平集制定创新的新的成本函数。建立了两个字典：基于区域的特征字典和体素字典。这些字典是使用K-SVD方法从肝脏分割挑战的公共数据库（MICCAI-SLiver07）中学习的。学习的字典提供先验知识的水平集制定。在定量评价方面，利用MICCAI-Sliver07数据库的测试数据对所提出的方法进行了评价。使用由挑战组织者计算的不同度量分数来评估结果。实验结果表明，所提出的框架的优越性，实现最高的分割精度（79.6%）相比，国家的最先进的方法。
2015-10-04 cs.CV
DLIMD: Dictionary Learning based Image-domain Material Decomposition for spectral CT
Capital Normal University（首都师范大学）；Beijing Higher Institution Engineering Research Center of Testing and Imaging（北京高校测试与成像工程研究中心）
光谱计算机断层扫描（CT）的潜在巨大优势是它能够提供准确的材料识别和定量组织信息。这可以有益于临床应用，如脑血管造影，早期肿瘤识别等，以实现更准确的材料成分，更高的材料图像质量，我们开发了一种基于字典学习的图像域材料分解（DLIMD）的光谱CT在本文中。首先，我们重建光谱CT图像的投影和计算材料系数矩阵，通过选择均匀区域的基础材料的图像重建结果。其次，采用直接反演（DI）方法获得初始材料分解结果，并从归一化材料图像张量的模1展开中提取图像块集合，通过K-SVD技术训练联合字典。第三，训练好的字典通过构建DLIMD模型从分解的材料图像中探索相似性。第四，更多的限制（即，体积守恒和材料图内每个像素的边界）被进一步集成到模型中以提高材料分解的准确性。最后，物理体模和临床前实验，以评估所提出的DLIMD的性能，在材料分解的准确性，材料图像的边缘保护和特征恢复。
2019-05-24 cs.CV eess.IV
When Dictionary Learning Meets Deep Learning: Deep Dictionary Learning and Coding Network for Image Recognition with Limited Data
University of Trento（特伦托大学）；Peking University（北京大学）；Shenzhen Lingxi Artificial Intelligence Co., Ltd（深圳灵犀人工智能有限公司）
我们提出了一种新的深度字典学习和编码网络（DDLCN），用于有限数据的图像识别任务。所提出的DDLCN具有大多数标准深度学习层（例如，输入/输出、池化、完全连接等），但是基本卷积层被我们提出的复合字典学习和编码层所取代。字典学习为输入训练数据学习过完备字典。在深层编码层，增加了局部性约束，以保证激活的字典基彼此接近。然后，激活的字典原子被组装并传递到复合字典学习和编码层。以这种方式，第一层中的激活原子可以由第二字典中更深的原子表示。直观地，第二字典被设计为学习输入字典原子之间共享的细粒度组件，从而可以获得字典原子的更有信息性和区分性的低级表示。我们将DDLCN与几种领先的字典学习方法和深度学习模型进行了实证比较。在5个流行数据集上的实验结果表明，在训练数据有限的情况下，DDLCN与现有方法相比具有很好的性能.代码可在https://github.com/Ha0Tang/DDLCN上获得。
2020-05-21 cs.CV cs.LG eess.IV
Correlation Preserving Sparse Coding Over Multi-level Dictionaries for Image Denoising
National Engineering Laboratory for Video Technology, Peking University（北京大学视频技术国家工程实验室）
本文提出了一种基于相关保持稀疏编码的图像去噪方法。由于基集之间的不稳定和不可靠的相关性会限制字典驱动去噪方法的性能，因此在编码过程中采用了两种有效的正则化策略。具体地说，基于图的正则化器是建立在保持全局相似性相关，它可以自适应地捕获的几何结构和区别性特征的纹理补丁。特别地，图中的边权重通过寻求非负低秩构造来获得。此外，鲁棒的局部约束编码不仅可以自动保持空间邻域信息，而且可以在学习过完备字典时保持噪声块中存在的内部一致性。实验结果表明，我们提出的方法达到了最先进的去噪性能的PSNR和主观视觉质量。
2016-12-23 cs.CV
Sparse Coding and Dictionary Learning for Symmetric Positive Definite Matrices: A Kernel Approach
NICTA（澳大利亚国家信息与通信技术研究院）；University of Queensland（昆士兰大学）；Australian National University（澳大利亚国立大学）
最近的进展表明，广泛的计算机视觉问题可以更适当地解决考虑非欧几里德几何。本文研究了对称正定矩阵空间中的稀疏编码和字典学习问题，这些对称正定矩阵构成了一个黎曼流形。借助最近引入的Stein内核（与Bregman矩阵发散的对称版本有关），我们建议通过将黎曼流形嵌入到再生核Hilbert空间中来进行稀疏编码。这导致了Lasso问题的凸和核版本，可以有效地解决。此外，我们提出了一个算法学习黎曼字典（用于稀疏编码），紧密联系的斯坦内核。几个分类任务（人脸识别，纹理分类，人的重新识别）的实验表明，所提出的稀疏编码方法实现了显着的改善，在歧视的准确性，在比较国家的最先进的方法，如张量稀疏编码，黎曼局部保持投影，和局部特征的累积驱动。
2013-04-16 cs.CV cs.LG stat.ML
Multiscale Sparsifying Transform Learning for Image Denoising
University of Isfahan（伊斯法罕大学）；Hunan University（湖南大学）；Isfahan University of Medical Sciences（伊斯法罕医科大学）；Sichuan University（四川大学）
数据驱动的稀疏方法，如合成字典学习（例如，K-SVD）和稀疏化变换学习在图像去噪中已被证明是有效的。然而，它们本质上是单一尺度的，这可能导致次优结果。我们提出了两种基于小波子带混合的方法，有效地结合了单尺度和多尺度方法的优点。我们表明，一个有效的多尺度方法可以设计，而不需要去噪的细节子带，大大降低了运行时间。所提出的方法最初是在稀疏化变换学习去噪的框架内推导出来的，然后，将它们推广到为著名的K-SVD和SAIST图像去噪方法提出我们的多尺度扩展。我们彻底分析和评估所研究的方法，并将其与众所周知的和最先进的方法进行比较。实验表明，我们的方法能够提供良好的性能和复杂性之间的权衡。
2021-07-25 cs.CV eess.IV
Fast Rotational Sparse Coding
Michigan State University（密歇根州立大学）；EPFL（洛桑联邦理工学院）；University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学大学）
我们提出了一种旋转稀疏编码算法，以及一个有效的实现，使用可操纵性。稀疏编码（也称为字典学习）是图像处理中的一种重要技术，在逆问题、压缩和分析中很有用;然而，通常的公式未能捕获图像结构的一个重要方面：图像由构建块形成，例如，出现在不同位置、方向和比例上的边、线或点。稀疏编码问题可以重新表述，以显式地考虑这些变换，但代价是增加计算。在这项工作中，我们提出了一种算法的旋转版本的稀疏编码，是基于K-SVD与额外的旋转操作。然后，我们提出了一种方法来加速这些旋转通过学习字典在一个可操纵的基础。我们的实验上的补丁编码和纹理分类表明，所提出的算法是足够快的实际使用和媲美标准稀疏编码。
2020-01-29 cs.CV eess.IV
