权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

スパース表現と辞書学習に基づく画像処理アルゴリズム研究

基于稀疏表示和字典学习的图像处理算法研究

基本信息

批准号：
14J10950
负责人：
リゼンニ
金额：
$ 1.09万
依托单位：
The University of Aizu
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2014
资助国家：
日本
起止时间：
2014-04-25 至 2016-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-14J10950/
关键词：
Dictionary learning coherence log-regularizer proximal operator sparse representation Sparse representation

项目摘要

In the last,we propose a novel dictionary learning algorithm with the log regularizer and simultaneously with the coherence penalty based on proximal operators. Our proposed algorithm simply employs a decomposition scheme and alternating optimization, which transforms the overall problem into a set of single-vector variables subproblems, with either one dictionary atom or one coefficient vector. Although the subproblems are still nonsmooth and even nonconvex, remarkably they can be solved by proximal operators, and the closed-form solutions of the dictionary atoms and the coefficient vectors are obtained directly and explicitly. To the best of our knowledge, no previous studies of dictionary learning have applied proximal operators to sparse coding with the log-regularizer and simultaneously to dictionary updating with the coherence penalty. According to our analysis and simulation study, the main advantages of the proposed algorithm are its greater efficiency in learning and its higher convergence rate than state-of-the-art algorithms. In addition, for real-world signals, our proposed algorithm can obtain lower approximation errors than an algorithm that uses the L1-norm for sparsity.

最后，我们提出了一种新的字典学习算法与日志正则化，同时与基于邻近算子的一致性惩罚。我们所提出的算法简单地采用了分解方案和交替优化，将整个问题转化为一组单向量变量子问题，无论是一个字典原子或一个系数向量。虽然子问题仍然是非光滑甚至非凸的，但值得注意的是，它们可以通过近似算子来求解，并且直接显式地获得字典原子和系数向量的封闭形式解。据我们所知，没有以前的字典学习的研究应用近似算子稀疏编码与日志正则化，同时字典更新的一致性惩罚。根据我们的分析和仿真研究，所提出的算法的主要优点是其更高的学习效率和更高的收敛速度比国家的最先进的算法。此外，对于真实世界的信号，我们提出的算法可以获得较低的近似误差比使用L1范数的稀疏性的算法。

项目成果

期刊论文数量（0）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Dictionary Learning with L1/2 Regularizer for Sparsity Based on Proximal Operator

基于近端算子的稀疏性 L1/2 正则化字典学习

DOI：
发表时间：
2015
期刊：
影响因子：
0
作者：
Zhenni Li;Shuxue Ding;Yujie Li and Wuhui Chen
通讯作者：
Yujie Li and Wuhui Chen

An Efficient Dictionary Learning with mixed-norm Regularizer for Sparsity Based on Proximal Operator

基于近端算子的稀疏性混合范数正则化器的高效字典学习

DOI：
发表时间：
2015
期刊：
影响因子：
0
作者：
Zhenni Li;Shuxue Ding;Takafumi Hayashi and Wuhui Chen
通讯作者：
Takafumi Hayashi and Wuhui Chen

A dictionary-learning algorithm for the analysis sparse model with a determinant-type of sparsity measure

DOI：
10.1109/icdsp.2014.6900819
发表时间：
2014-09
期刊：
2014 19th International Conference on Digital Signal Processing
影响因子：
0
作者：
Yujie Li;Shuxue Ding;Zhenni Li
通讯作者：
Yujie Li;Shuxue Ding;Zhenni Li

Dictionary learning with log-regularizer for sparse representation

DOI：
10.1109/icdsp.2015.7251946
发表时间：
2015-07
期刊：
2015 IEEE International Conference on Digital Signal Processing (DSP)
影响因子：
0
作者：
Zhenni Li;Shuxue Ding;Yujie Li
通讯作者：
Zhenni Li;Shuxue Ding;Yujie Li

Improving dictionary learning using the Itakura-Saito divergence

DOI：
10.1109/chinasip.2014.6889341
发表时间：
2014-07
期刊：
2014 IEEE China Summit & International Conference on Signal and Information Processing (ChinaSIP)
影响因子：
0
作者：
Zhenni Li;Shuxue Ding;Yujie Li;Zunyi Tang;Wuhui Chen
通讯作者：
Zhenni Li;Shuxue Ding;Yujie Li;Zunyi Tang;Wuhui Chen