稀疏编码
稀疏编码的相关文献在2000年到2022年内共计635篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、机械、仪表工业
等领域,其中期刊论文366篇、会议论文13篇、专利文献92106篇;相关期刊184种,包括科学技术与工程、中国图象图形学报、电讯技术等;
相关会议13种,包括第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)、第四届高分辨率对地观测学术年会、第十九届网络新技术与应用年会等;稀疏编码的相关文献由1605位作者贡献,包括焦李成、杨淑媛、马文萍等。
稀疏编码—发文量
专利文献>
论文:92106篇
占比:99.59%
总计:92485篇
稀疏编码
-研究学者
- 焦李成
- 杨淑媛
- 马文萍
- 侯彪
- 马晶晶
- 王爽
- 尚荣华
- 刘红英
- 尚丽
- 伍云霞
- 张丹
- 倪浩
- 刘芳华
- 屈嵘
- 阮若林
- 刘书君
- 吴宏林
- 孙继平
- 张建明
- 张新征
- 彭国华
- 林京
- 汤一彬
- 王建峰
- 王瑞霞
- 刘且根
- 刘志
- 刘芳
- 吴玲达
- 周凡
- 周国清
- 张世周
- 张广运
- 张明辉
- 张荣庭
- 徐宁
- 成茜
- 江俊君
- 王丽芳
- 王玉皞
- 王进军
- 白静
- 石伟伟
- 胡瑞敏
- 解梅
- 贾敏
- 赵进
- 郝红星
- 郭庆
- 陈亮
-
-
林之岸;
刘晟源;
金伟超;
林振智;
宣玉华;
谢天草
-
-
摘要:
基于用电信息采集系统的量测数据,提出了一种基于改进局部离群因子算法的用户用电隐患检测方法。首先,提出基于信息熵的电压信息重构方法,扩大电压数据差异性。其次,提出基于K-奇异值分解的电压数据稀疏编码方法,解决台区用户原始负荷特征维度过高带来的冗余性问题。然后,提出基于改进局部离群因子算法的用户用电隐患检测方法,通过多局部离群因子模型组合优化,提高低压用户用电隐患检测泛化能力与准确率。最后,以中国浙江省某台区为例进行验证,算例分析的结果表明所提算法相对于传统局部离群因子算法具有更高的隐患检测准确率。
-
-
雍皓;
韩铎;
张俊杰;
王俊秋
-
-
摘要:
基于压缩感知(Compressed Sensing, CS)地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解(K-Singular Value Decomposition,K-SVD)方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习(Adaptive Multilayered Dictionary Learning, AMDL)方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。
-
-
李光宇
-
-
摘要:
为了提高大数据中多模态信息的检索效果,提出一种基于深度神经网络的多模态信息检索算法。设计深度自编码器,将不同模态的数据投影到一个相同的广义子空间内;利用稀疏编码技术降低共同特征向量的维度,过滤冗余特征和噪声特征;通过去卷积操作和上采样操作对数据进行重建。基于公开模态识别数据集的实验结果表明,该算法能够有效地学习和泛化多模态数据,且在多模态检索实验中也表现出较好的性能。
-
-
郑天舒;
颜国辉;
叶初阳;
吴丹
-
-
摘要:
弥散磁共振成像(Diffusion magnetic resonance imaging,dMRI)是一种重要的无创检测生物组织微观结构的医学成像工具,其中弥散微循环模型(Intravoxel incoherent motion,IVIM)是已被广泛用于分离组织水扩散和微血管血流运动的弥散磁共振成像模型。求解弥散微循环模型参数的传统方法依赖于从多b值扩散弥散磁共振成像数据(通常≥10个b值)中拟合双指数模型,这需要一个相对较长的采集时间,对于体部弥散微循环模型成像是一个挑战。深度学习方法可以使用q空间数据的一个子集进行弥散磁共振成像模型参数估计,从而加速弥散磁共振成像的采集。然而,常见的基于卷积神经网络的深度学习与生物物理模型无关,因此,网络输出结果缺乏可解释性。本文将稀疏编码与深度学习相结合,提出了一种基于稀疏编码深度学习网络的弥散微循环模型参数估计方法。它利用了深度网络的表达优势,同时结合稀疏化表达的双指数模型来估计胎盘的弥散微循环模型参数,相比于其他算法,本文所拟的算法实现了更高的参数估计准确率和泛化能力。
-
-
丁亚;
王韦刚;
涂真珍;
许晨东
-
-
摘要:
电阻抗成像逆问题的传统解决方法计算成本高、噪声大、建模误差大。本研究提出了一种O-Net深度卷积神经网络的反演方法,并与非迭代算法相结合以解决该问题。首先,通过截断奇异值分解方法对测量值进行图像重建,并将重建后的图像输入神经网络;其次,提出了O-Net神经网络结构,在输入与输出之间添加跳层连接,并进行1*1卷积,实现输入与输出的动态连接。最后,在跳层连接之前构建了稀疏表示方法,以减少输入图像中的计算误差。实验结果表明,相较于其它深度学习方法,本研究方法有效地减少了电阻抗成像的计算成本、提高了成像质量。同时实验结果验证了本研究的O-Net神经网络更适应于电阻抗成像技术。
-
-
孙姣姣;
凌晨
-
-
摘要:
基于张量奇异值分解和正交字典学习对张量填充问题展开研究,设计了一种张量加权核范数稀疏编码算法。采用张量加权核范数和具有正交字典学习的稀疏编码分别刻画原数据的全局低秩和局部稀疏特点,提高了所设计算法的性能。实验结果表明,与其他几种常见的算法相比,使用WTNNSC算法恢复彩色图像时,其峰值信噪比更高,视觉效果更佳。
-
-
张膑;
张运杰;
白明明
-
-
摘要:
卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.
-
-
陈科;
杨棹夕;
廖柏涛;
侯博钧;
杨吟;
刘铁军;
夏阳;
尧德中
-
-
摘要:
感觉皮层神经元的非经典感受野(简称"外周")对经典感受野(简称"中心")的调节作用广泛存在于哺乳动物中,被认为是感觉皮层神经元的基本特性.以初级视皮层神经元为例,刺激其外周能有效地调节刺激其中心引起的反应,这种作用主要是抑制性的.理解初级视皮层神经元的外周对中心的调节机制能够深入揭示哺乳动物的感觉皮层神经元信息处理的基本原则.本文综述了引起初级视皮层神经元非经典感受野对经典感受野调节作用的神经环路机制和计算模型研究的进展.
-
-
徐金鹏;
刘宜成;
涂海燕;
成鸿群
-
-
摘要:
为了提高稀疏编码算法的处理速度,设计了一种通过System Generator在FPGA上实现的正交匹配追踪算法.算法由矩阵数据并行输出模块、矩阵乘法运算模块、最匹配原子与列索引选择模块、Cholesky分解模块与求逆算法模块、残差更新模块5个模块组成.通过对模块内部算法并行化设计,提高了正交匹配追踪算法的运行速率.仿真结果表明:设计的系统可以有效实现正交匹配追踪算法,算法的处理速度比软件处理有了明显的提升,处理结果精度较好,证明该设计可行且有效.
-
-
马啸宇;
张金生;
李婷
-
-
摘要:
地磁匹配导航技术是一种重要的辅助导航制导方法,地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用.针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题,提出了一种基于卷积神经网络的地磁基准图构建方法.首先,利用卷积层提取低分辨率基准图中的特征图像块;然后,利用基于学习的阈值收缩算法(LISTA)实现图像块的稀疏表示;最后,利用三通道的地磁信息得到重建后的高分辨率基准图.实验结果表明:所提方法对地磁基准图具有更高的构建精度,同时对噪声有更好的鲁棒性,各种客观评价指标均高于现有的超分辨率重建方法.
-
-
-
Yu Linjia;
余林佳;
Liu Yang;
刘阳
- 《第四届高分辨率对地观测学术年会》
| 2017年
-
摘要:
遥感图像中,机场目标较周围场景具有明显的视觉显著性.在对机场目标进行检测时,常采用提取显著区域的方法.但是传统的显著区域提取方法易丢失目标的内部与边缘信息,影响检测结果.针对这一问题,本文提出了一种基于稀疏编码的显著区域提取方法.该方法通过全局与背景信息相结合的方法,对遥感图像的底层特征进行稀疏编码,再对稀疏表示聚类生成全局显著图和背景显著图,并采用多尺度对遥感图像进行处理,最后将各个显著图融合生成最终显著图.将机场目标从复杂背景中提取出来.与传统的显著区域提取算法相比,本文算法在准确率上提高了10%,在召回率上提高了5%,有效提高了检测效果.
-
-
WANG Zhiyi;
王之毅;
BI Duyan;
毕笃彦;
XIONG Lei;
熊磊;
FAN Zunlin;
凡遵林;
ZHANG Xiaoyu;
张晓瑜
- 《第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)》
| 2017年
-
摘要:
为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题,提出了一种基于岭回归的稀疏编码文本图像复原方法.首先,该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典,并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类;其次,在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归,实现对编码码元表述空间的局部多线性扩展和快速计算;最后,在测试阶段搜索和低质量文本图像最相近的编码码元,计算出近似的清晰文本图像块,从而避免计算耗时的低质量文本图像块的稀疏编码.实验结果表明,所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3~1.1dB,耗时降低了1~2个数量级,为提高文本图像复原质量和提升算法运算速度提供了一种解决方案.
-
-
-
ZHANG Ji;
张继;
WANG Hongyuan;
王洪元
- 《第29届中国数据库学术会议》
| 2012年
-
摘要:
关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中.在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪.对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果.
-
-
-
LANG Yan-kun;
郎彦昆;
ZOU Jian-cheng;
邹建成
- 《第九届中国通信学会学术年会》
| 2012年
-
摘要:
压缩感知指出,只要信号是可压缩的或在某个变换域是稀疏的,那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号.以往基于CS的压缩算法都是先对信号进行稀疏表示,随后通过乘以一个较大的测量矩阵来对信号进行采样.而这样做不仅忽略了信号的大部分高频信息,同时测量矩阵的尺寸使得计算速度变慢.针对这一问题,本文设计了一种可以根据图像块之间的高低频信息比而选择不同的测量矩阵对其采样,并结合K-SVD算法与OMP算法来对信号进行压缩和重构的算法.
-
-
-
- 《第十四届全国图象图形学学术会议》
| 2008年
-
摘要:
区别于传统的图像分类方法,本文利用迁移式学习的方法,通过从大量未标记且与待分类图像无关的图像样本上提取稀疏性局部特征来增强图像分类的效率.文中采用稀疏编码来得到待分类图像的紧致输入表示,但是一些关键步骤的改进使得我们的算法具有更好的效果.首先,当使用稀疏编码从未标记样本中提取图像块来学习基向量时,我们使用SIFT特征点来代替随机挑选点,使得学习得到的基向量更加能反映图像的局部结构.另外,我们发现二维SIFT特征空间相比于图像的灰度空间是一个更高阶的特征子空间,包含更多的局部信息.为了证实我们的理论推断,我们在Caltech-101和PASCAL VOC06数据库上进行了实验,和一些相关的图像分类算法的实验比较,并将我们提出的算法结合PMK核空间理论,实验表明我们的算法具有更好的分类效率.
-
-
-
-
-
-
- 山东大学
- 公开公告日期:2016.04.06
-
摘要:
本发明提供了一种基于较大编码系数强化的稀疏编码方法,方法流程为:首先构造测试样本列向量和训练样本矩阵。第二,用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三,将测试样本列向量表示为字典的线性组合,表示系数为稀疏编码系数。最后,字典与每一类对应的稀疏编码系数相乘,得到每一类的重构样本,然后将测试样本和重构样本相减,得到标准重构误差;同样选择其中较大的一部分编码系数,将字典与之相乘,也得到一种重构样本,然后将测试样本和重构样本相减,得到另一种重构误差,两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证,本发明在人脸识别中得到了应用,识别率很高,有很好的性能与适用性。
-
-
-
-
-
-
- 山东大学
- 公开公告日期:2013-07-31
-
摘要:
本发明提供了一种基于较大编码系数强化的稀疏编码方法,方法流程为:首先构造测试样本列向量和训练样本矩阵。第二,用主成分分析方法(PCA)将两者降维,降维后的训练样本矩阵也叫做字典。第三,将测试样本列向量表示为字典的线性组合,表示系数为稀疏编码系数。最后,字典与每一类对应的稀疏编码系数相乘,得到每一类的重构样本,然后将测试样本和重构样本相减,得到标准重构误差;同样选择其中较大的一部分编码系数,将字典与之相乘,也得到一种重构样本,然后将测试样本和重构样本相减,得到另一种重构误差,两类误差的最小值对应的类别即为测试样本所属类别。经大量实验验证,本发明在人脸识别中得到了应用,识别率很高,有很好的性能与适用性。
-