論文の概要: Learning Deep Analysis Dictionaries -- Part II: Convolutional Dictionaries

• arxiv url: http://arxiv.org/abs/2002.00022v1
• Date: Fri, 31 Jan 2020 19:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 05:46:35.280688
• Title: Learning Deep Analysis Dictionaries -- Part II: Convolutional Dictionaries
• Title（参考訳）: 深層分析辞書の学習 -その2:畳み込み辞書
• Authors: Jun-Jie Huang and Pier Luigi Dragotti
• Abstract要約: 非構造化辞書の代わりに畳み込み辞書を学習するディープ畳み込み解析辞書モデル(DeepCAM)を導入する。 L層DeepCAMは、畳み込み解析辞書のL層と、要素単位のソフトスレッディングペアから構成される。 We demonstrate that DeepCAM is a effective multilayer convolutional model and on single image super- resolution, achieves performance comparable with other method。
• 参考スコア（独自算出の注目度）: 38.7315182732103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a Deep Convolutional Analysis Dictionary Model (DeepCAM) by learning convolutional dictionaries instead of unstructured dictionaries as in the case of deep analysis dictionary model introduced in the companion paper. Convolutional dictionaries are more suitable for processing high-dimensional signals like for example images and have only a small number of free parameters. By exploiting the properties of a convolutional dictionary, we present an efficient convolutional analysis dictionary learning approach. A L-layer DeepCAM consists of L layers of convolutional analysis dictionary and element-wise soft-thresholding pairs and a single layer of convolutional synthesis dictionary. Similar to DeepAM, each convolutional analysis dictionary is composed of a convolutional Information Preserving Analysis Dictionary (IPAD) and a convolutional Clustering Analysis Dictionary (CAD). The IPAD and the CAD are learned using variations of the proposed learning algorithm. We demonstrate that DeepCAM is an effective multilayer convolutional model and, on single image super-resolution, achieves performance comparable with other methods while also showing good generalization capabilities.
• Abstract（参考訳）: 本稿では,非構造化辞書の代わりに畳み込み辞書を学習するDeep Convolutional Analysis Dictionary Model (DeepCAM)を紹介する。 畳み込み辞書は、例えば画像のような高次元信号を処理するのに適しており、わずかな自由パラメータしか持たない。 畳み込み辞書の特性を利用して,効率的な畳み込み解析辞書学習手法を提案する。 l層ディープカムは畳み込み解析辞書のl層と要素方向ソフトスレッショルドペアと畳み込み合成辞書の単一層からなる。 DeepAMと同様に、各畳み込み分析辞書は、畳み込み情報保存分析辞書(IPAD)と畳み込みクラスタリング分析辞書(CAD)で構成されている。 IPADとCADは,提案した学習アルゴリズムのバリエーションを用いて学習する。 我々は,deepcamが効果的な多層畳み込みモデルであることを示し,単一画像の超解像では,他の手法に匹敵する性能を実現するとともに,優れた一般化能力を示す。

関連論文リスト

• Dictionary Learning Improves Patch-Free Circuit Discovery in Mechanistic Interpretability: A Case Study on Othello-GPT [59.245414547751636]
  本稿では,アクティベーションパッチに代わる回路発見フレームワークを提案する。 当社のフレームワークはアウト・オブ・ディストリビューション(out-of-distribution)に悩まされており、複雑さの観点からより効率的であることが証明されています。 我々はOthelloという名前の合成タスクで訓練された小さなトランスフォーマーを掘り下げ、その内部に人間に理解可能な微細な回路がいくつかある。
  論文  参考訳（メタデータ） (2024-02-19T15:04:53Z)
• Convergence of alternating minimisation algorithms for dictionary learning [4.5687771576879594]
  辞書学習のための2つの交互最小化アルゴリズムの収束に十分な条件を導出する。 我々は、生成辞書に少なくとも1/log(K)$の距離で、あるいは、初期化の各要素が1つの生成要素のみを指していることを保証する特別な構造を持つような、よく知られた初期化が与えられた場合、どちらのアルゴリズムも生成辞書への幾何収束率に収束することを示す。
  論文  参考訳（メタデータ） (2023-04-04T12:58:47Z)
• Learning Invariant Subspaces of Koopman Operators--Part 1: A Methodology for Demonstrating a Dictionary's Approximate Subspace Invariance [0.0]
  拡張動的モード分解アルゴリズムでは、辞書関数は固定クラスの関数から引き出される。 深層動的モード分解(deepDMD)と呼ばれるアルゴリズムにおいて、深層学習とEDMDを組み合わせた新しい辞書関数の学習に使われている。 本稿では,DeepDMDから学習辞書を解析し,その性能に関する理論的基礎を探る。
  論文  参考訳（メタデータ） (2022-12-14T17:33:52Z)
• Better Language Model with Hypernym Class Prediction [101.8517004687825]
  クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。 本研究では,このアプローチをニューラルLMの文脈で再考する。
  論文  参考訳（メタデータ） (2022-03-21T01:16:44Z)
• Discriminative Dictionary Learning based on Statistical Methods [0.0]
  信号やデータのスパース表現(SR)は厳密な数学的誤り境界と証明を持つ十分に確立された理論を持つ。 最小損失の信号群を表現した辞書を辞書学習(DL)という。 MODとK-SVDは、画像「デノイング」や「インペインティング」といった画像処理における再構成ベースの応用に成功している。
  論文  参考訳（メタデータ） (2021-11-17T10:45:10Z)
• PUDLE: Implicit Acceleration of Dictionary Learning by Backpropagation [4.081440927534577]
  本稿では,PUDLE(Provable Unfolded Dictionary LEarning)による実験結果に関する最初の理論的証明を提供する。 我々は、損失の最小化、展開、収束のバックプロパゲーションについて強調する。 合成および画像復号化実験により,本研究の成果を補完する。
  論文  参考訳（メタデータ） (2021-05-31T18:49:58Z)
• When Dictionary Learning Meets Deep Learning: Deep Dictionary Learning and Coding Network for Image Recognition with Limited Data [74.75557280245643]
  本稿では,限られたデータを用いた画像認識タスクのための新しいDeep Dictionary Learning and Coding Network(DDLCN)を提案する。 DDLCNをいくつかの主要な辞書学習手法と深層学習モデルと比較した。 5つの一般的なデータセットに対する実験結果から,DDLCNはトレーニングデータに制限がある場合の最先端手法と比較して,競合的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-05-21T23:12:10Z)
• Learning Deep Analysis Dictionaries for Image Super-Resolution [38.7315182732103]
  ディープ分析辞書モデル(DeepAM)は、単一画像超解像と呼ばれる特定の回帰課題に対処するために最適化されている。 我々のアーキテクチャはL層の解析辞書とソフトスレッショルド演算子を含む。 DeepAMは、教師なしと教師なしの両方のセットアップを使用する。
  論文  参考訳（メタデータ） (2020-01-31T18:59:35Z)
• Lexical Sememe Prediction using Dictionary Definitions by Capturing Local Semantic Correspondence [94.79912471702782]
  セメムは人間の言語の最小の意味単位として定義されており、多くのNLPタスクで有用であることが証明されている。 本稿では,このようなマッチングを捕捉し,セメムを予測できるセメム対応プールモデルを提案する。 我々は,有名なSememe KB HowNetのモデルとベースライン手法を評価し,そのモデルが最先端のパフォーマンスを実現することを発見した。
  論文  参考訳（メタデータ） (2020-01-16T17:30:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。