論文の概要: A Generalized Kernel Risk Sensitive Loss for Robust Two-Dimensional
Singular Value Decomposition
- arxiv url: http://arxiv.org/abs/2005.04671v2
- Date: Sat, 4 Jul 2020 04:20:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 01:38:43.655905
- Title: A Generalized Kernel Risk Sensitive Loss for Robust Two-Dimensional
Singular Value Decomposition
- Title（参考訳）: ロバストな2次元特異値分解のためのカーネルリスク感性損失の一般化
- Authors: Miaohua Zhang, Yongsheng Gao
- Abstract要約: 2次元特異分解(2DSVD)は、画像再構成、分類、クラスタリングなどの画像処理タスクに広く用いられている。
従来の2DSVDは平均二乗誤差(MSE)損失に基づいており、これは外れ値に敏感である。
本稿では,雑音と外乱の一般化されたカーネルリスクに基づくロバストDSVDを提案する。
- 参考スコア（独自算出の注目度）: 11.234115388848283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two-dimensional singular decomposition (2DSVD) has been widely used for image
processing tasks, such as image reconstruction, classification, and clustering.
However, traditional 2DSVD algorithm is based on the mean square error (MSE)
loss, which is sensitive to outliers. To overcome this problem, we propose a
robust 2DSVD framework based on a generalized kernel risk sensitive loss
(GKRSL-2DSVD) which is more robust to noise and and outliers. Since the
proposed objective function is non-convex, a majorization-minimization
algorithm is developed to efficiently solve it with guaranteed convergence. The
proposed framework has inherent properties of processing non-centered data,
rotational invariant, being easily extended to higher order spaces.
Experimental results on public databases demonstrate that the performance of
the proposed method on different applications significantly outperforms that of
all the benchmarks.
- Abstract（参考訳）: 2次元特異分解(2DSVD)は、画像再構成、分類、クラスタリングなどの画像処理タスクに広く用いられている。
しかし、従来の2DSVDアルゴリズムは平均二乗誤差(MSE)損失に基づいており、これは外れ値に敏感である。
この問題に対処するため,一般化カーネルリスク感性損失(GKRSL-2DSVD)に基づく2DSVDフレームワークを提案する。
提案する目的関数は非凸であるため,収束を保証して効率よく解くために偏極最小化アルゴリズムが開発された。
提案するフレームワークは,非中心データ処理の性質,回転不変性,高次空間への拡張が容易である。
公開データベースにおける実験の結果,提案手法の性能は,すべてのベンチマークよりも有意に優れていた。
関連論文リスト
- Spatially-Variant Degradation Model for Dataset-free Super-resolution [12.346260233825173]
本稿では,データセットのないBlind Image Super-Resolution (BISR)に焦点を当てる。
我々は,各画素に対して空間変動分解モデルを明示的に設計した最初の人物である。
提案手法は,従来のBISR法に比べて1dB(2x)の平均的な改善を実現している。
論文 参考訳（メタデータ） (2024-07-11T07:54:43Z) - Semantic Encoder Guided Generative Adversarial Face Ultra-Resolution
Network [15.102899995465041]
本稿では,セマンティックガイド付き生成逆顔超解像ネットワーク(SEGA-FURN)を提案する。
提案するネットワークは, 組込みセマンティクスを捕捉し, 対数学習を誘導する新しいセマンティクスエンコーダと, Residual in Internal Block (RIDB) という階層型アーキテクチャを用いた新しいジェネレータから構成される。
大規模顔データを用いた実験により,提案手法は優れた超解像結果が得られ,定性比較と定量的比較の両面で他の最先端手法よりも優れることが示された。
論文 参考訳（メタデータ） (2022-11-18T23:16:57Z) - Inverse Kernel Decomposition [3.066967635405937]
逆カーネル分解法(Inverse Kernel Decomposition, IKD)を提案する。
IKDはデータのサンプル共分散行列の固有分解に基づいている。
合成データセットと4つの実世界のデータセットを用いて、IKDが他の固有分解法よりも次元削減法として優れていることを示す。
論文 参考訳（メタデータ） (2022-11-11T02:14:29Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳（メタデータ） (2022-08-05T09:36:13Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳（メタデータ） (2022-04-23T02:45:55Z) - Unfolded Deep Kernel Estimation for Blind Image Super-resolution [23.798845090992728]
ブラインド画像超解像(BISR)は、未知のぼやけたカーネルとノイズによって劣化した低解像度画像から高解像度画像を再構成することを目的としている。
我々は,我々の最良知識に対して初めて,データ項を高効率で明示的に解く,新しい展開深層カーネル推定法 (UDKE) を提案する。
論文 参考訳（メタデータ） (2022-03-10T07:54:59Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Dual Gaussian-based Variational Subspace Disentanglement for
Visible-Infrared Person Re-Identification [19.481092102536827]
Visible-infrared person re-identification (VI-ReID)は、夜間のインテリジェント監視システムにおいて、困難かつ必須の課題である。
本稿では,2つのガウス型変分オートエンコーダ(DG-VAE)を提案する。
提案手法は2つのVI-ReIDデータセット上で最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-08-06T08:43:35Z) - Effective Dimension Adaptive Sketching Methods for Faster Regularized
Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。
我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文 参考訳（メタデータ） (2020-06-10T15:00:09Z) - Simple and Effective Prevention of Mode Collapse in Deep One-Class
Classification [93.2334223970488]
深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。
第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。
第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
論文 参考訳（メタデータ） (2020-01-24T03:44:47Z)
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。