論文の概要: Multi-mode Tensor Train Factorization with Spatial-spectral Regularization for Remote Sensing Images Recovery

• arxiv url: http://arxiv.org/abs/2205.03380v1
• Date: Thu, 5 May 2022 07:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 02:03:40.441095
• Title: Multi-mode Tensor Train Factorization with Spatial-spectral Regularization for Remote Sensing Images Recovery
• Title（参考訳）: リモートセンシング画像復元のための空間スペクトル規則化を用いたマルチモードテンソルトレインファクタライゼーション
• Authors: Gaohang Yu, Shaochun Wan, Liqun Qi, Yanwei Xu
• Abstract要約: マルチモードTT因子化と空間スペクトルの滑らか度正規化による新しい低MTTランクテンソル完備化モデルを提案する。 MTTD3R法は,視覚的,定量的に比較した手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.3272510644778104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor train (TT) factorization and corresponding TT rank, which can well express the low-rankness and mode correlations of higher-order tensors, have attracted much attention in recent years. However, TT factorization based methods are generally not sufficient to characterize low-rankness along each mode of third-order tensor. Inspired by this, we generalize the tensor train factorization to the mode-k tensor train factorization and introduce a corresponding multi-mode tensor train (MTT) rank. Then, we proposed a novel low-MTT-rank tensor completion model via multi-mode TT factorization and spatial-spectral smoothness regularization. To tackle the proposed model, we develop an efficient proximal alternating minimization (PAM) algorithm. Extensive numerical experiment results on visual data demonstrate that the proposed MTTD3R method outperforms compared methods in terms of visual and quantitative measures.
• Abstract（参考訳）: 近年,高次テンソルの低ランク性およびモード相関をよく表現できるテンソルトレイン(TT)の分解とそれに対応するTTランクが注目されている。 しかし、TT分解に基づく手法は一般に3階テンソルの各モードに沿って低ランク性を特徴づけるには不十分である。 これにより、テンソル列の分解をモードkテンソル列の分解に一般化し、対応するマルチモードテンソル列(mtt)のランクを導入する。 そこで我々は,マルチモードtt因子分解と空間スペクトル平滑化による新しい低mttランクテンソル補完モデルを提案した。 提案モデルに取り組むために,効率的な近位交互最小化 (pam) アルゴリズムを開発した。 視覚データを用いた広範囲な数値実験の結果,提案手法は,視覚的および定量的に比較した手法よりも優れていた。

関連論文リスト

• Handling The Non-Smooth Challenge in Tensor SVD: A Multi-Objective Tensor Recovery Framework [15.16222081389267]
  テンソルデータの非滑らかな変化に対処するために,学習可能なテンソル核ノルムを持つ新しいテンソル復元モデルを導入する。 我々は,提案するテンソル完備化モデルを反復的に解くために,交代近似乗算法 (APMM) という新しい最適化アルゴリズムを開発した。 さらに,APMMに基づく多目的テンソル復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:16:33Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Multi-Tensor Network Representation for High-Order Tensor Completion [25.759851542474447]
  この研究は、部分的に観察されたサンプリングから高次元データ(テンソルを参照)の完備化の問題を研究する。 テンソルは複数の低ランク成分の重ね合わせであると考える。 本稿では,基本テンソル分解フレームワークであるMulti-Tensor Network decomposition (MTNR)を提案する。
  論文  参考訳（メタデータ） (2021-09-09T03:50:19Z)
• MTC: Multiresolution Tensor Completion from Partial and Coarse Observations [49.931849672492305]
  既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。 この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T02:20:03Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Tensor Train Random Projection [0.0]
  本研究は、次元減少のための新しいテンソルトレインランダムプロジェクション(TTRP)法を提案する。 我々のTTRPは、TTランクが1に等しいテンソルトレイン表現によって体系的に構築されている。 テンソルトレイン形式に基づいて、この新しいランダムプロジェクション法は、高次元データセットの次元削減手順を高速化することができる。
  論文  参考訳（メタデータ） (2020-10-21T07:31:45Z)
• Enhanced nonconvex low-rank approximation of tensor multi-modes for tensor completion [1.3406858660972554]
  我々は、新しい低ランク近似テンソルマルチモード(LRATM)を提案する。 ブロックバウンド法に基づくアルゴリズムは,提案手法を効率的に解くために設計されている。 3種類の公開多次元データセットの数値計算結果から,本アルゴリズムは様々な低ランクテンソルを復元可能であることが示された。
  論文  参考訳（メタデータ） (2020-05-28T08:53:54Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)
• Tensor train rank minimization with nonlocal self-similarity for tensor completion [27.727973182796678]
  テンソルトレイン(TT)のランクは、高次テンソルのグローバルな相関を捉える能力により、テンソルコンプリートにおいて注目されている。 3階の視覚データでは、TTランクの最小化は高階テンソルのTTランクの可能性を生かしていない。 視覚データにおける空間的・時間的・スペクトル的・非局所的冗長性を同時に探索することにより、テンソル完了のための非局所自己相似性を有するTTランク最小化を提案する。
  論文  参考訳（メタデータ） (2020-04-29T15:39:39Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。