本文關鍵詞： 稀疏編碼 降噪 可預測稀疏分解 物體識別　出處：《上海交通大學》2014年碩士論文　論文類型：學位論文

【摘要】：最近這幾年稀疏編碼(Sparse Coding)在很多領域取得了巨大的成功，包括數(shù)據(jù)挖掘、機器學習和計算機視覺等。稀疏編碼提供了一種學習出一組超完備基函數(shù)的無監(jiān)督算法，，從而能夠通過線性組合基函數(shù)的一小部分子集來重構原有的信號。當前大多數(shù)稀疏編碼算法的一個缺點是需要進行一些迭代最小化計算來為測試點推斷出稀疏表示(Sparse Representation)，這說明這些算法很難進行新樣本點的擴展。通過額外訓練一個把輸入非線性地映射為稀疏表示的回歸變量，可預測稀疏分解(Predictive Sparse Decomposition)可以很自然地應用于新樣本點的擴展。因此可預測稀疏分解成為了非常流行的一種稀疏編碼算法。然而，當訓練數(shù)據(jù)太少而不足以捕獲樣本中的變化時，可預測稀疏分解可能在實際的應用中無法取得令人滿意的效果。這篇論文提出了一個新的模型——降噪可預測稀疏分解(Denoising Predictive Sparse Decomposition)算法，來獲得更魯棒的稀疏編碼。針對真實的圖像物體識別任務的實驗結果表明，降噪可預測稀疏分解算法在實際應用中的效果可以大大超越可預測稀疏分解算法。此外，本文還提出了深度降噪可預測稀疏分解算法以及深度多路徑降噪可預測稀疏分解算法，驗證了降噪可預測稀疏分解算法在深度模型中能大大提升識別效果。
[Abstract]:In recent years, sparse coding has achieved great success in many fields, including data mining, machine learning and computer vision. Sparse coding provides an unsupervised algorithm for learning a set of supercomplete basis functions. Thus it is possible to reconstruct the original signal by a small subset of linear combinatorial basis functions. One disadvantage of most current sparse coding algorithms is that some iterative minimization calculations are required to infer sparse tables for test points. Sparse representation, which shows that these algorithms are difficult to extend new sample points by training an additional regression variable that maps input nonlinearly to sparse representation. Predictive Sparse decomposition) can be applied naturally to the expansion of new sample points. Thus predictable sparse decomposition has become a very popular sparse coding algorithm. However, when the training data is too little to capture changes in the sample, In this paper, a new model-Denoising Predictive Sparse decomposition algorithm is proposed. Experimental results for real image object recognition show that the denoising predictive sparse decomposition algorithm can outperform the predictive sparse decomposition algorithm in practical applications. In this paper, the predictive sparse decomposition algorithm for depth noise reduction and the predictive sparse decomposition algorithm for deep multipath denoising are also proposed, which verify that the denoising predictive sparse decomposition algorithm can greatly improve the recognition effect in depth model.
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN911.2

【共引文獻】

相關期刊論文 前10條

1 胡敏;齊梅;王曉華;許良鳳;;基于顯著區(qū)域詞袋模型的物體識別方法[J];電子測量與儀器學報;2013年07期

2 蔡德生;練秋生;;基于字典稀疏表示和梯度稀疏的圖像盲去模糊[J];燕山大學學報;2013年04期

3 左欣;羅立民;沈繼鋒;于化龍;;基于多源異質(zhì)特征的緊致二進制編碼學習(英文)[J];Journal of Southeast University(English Edition);2013年04期

4 徐望明;方康玲;;基于異質(zhì)局部特征的圖像稀疏表示[J];電視技術;2013年19期

5 項鳳濤;王正志;袁興生;;基于壓縮感知原理的融合判別信息的協(xié)作表示方法[J];國防科技大學學報;2013年05期

6 李磊;郭俊輝;;基于稀疏表示的船體檢測方法研究[J];電子設計工程;2014年21期

7 馬超;徐瑾輝;侯天誠;藍斌;;新型深度學習算法研究概述[J];赤峰學院學報(自然科學版);2015年02期

8 尹寶才;王文通;王立春;;深度學習研究綜述[J];北京工業(yè)大學學報;2015年01期

9 劉勘;袁蘊英;;基于自動編碼器的短文本特征提取及聚類研究[J];北京大學學報(自然科學版);2015年02期

10 高仕博;程詠梅;肖利平;韋海萍;;面向目標檢測的稀疏表示方法研究進展[J];電子學報;2015年02期

相關會議論文 前1條

1 Wei Wu;Guanglai Gao;Jianyun Nie;;Gaussian Mixture Model with Semantic Distance for Image Classification[A];第26屆中國控制與決策會議論文集[C];2014年

相關博士學位論文 前10條

1 趙瑩;基于分形幾何學的圖像信息表示及其應用研究[D];合肥工業(yè)大學;2009年

2 梁巍;管道缺陷檢測中超聲信號稀疏解卷積及稀疏壓縮方法的研究[D];上海交通大學;2008年

3 李石峰;靜態(tài)圖像人體分割算法的研究[D];大連理工大學;2012年

4 宋相法;基于稀疏表示和集成學習的若干分類問題研究[D];西安電子科技大學;2013年

5 嚴春滿;圖像稀疏編碼算法及應用研究[D];西安電子科技大學;2012年

6 余國先;高維數(shù)據(jù)上的半監(jiān)督學習研究[D];華南理工大學;2013年

7 高廣宇;影視視頻結構解析及自動編目技術研究[D];北京郵電大學;2013年

8 王寶勛;面向網(wǎng)絡社區(qū)問答對的語義挖掘研究[D];哈爾濱工業(yè)大學;2013年

9 李群;場景圖像不變特征提取及分類方法的研究[D];北京郵電大學;2013年

10 張瑞杰;基于局部語義概念表示的圖像場景分類技術研究[D];解放軍信息工程大學;2013年

相關碩士學位論文 前10條

1 張月圓;統(tǒng)計學習圖像去噪方法研究[D];西安電子科技大學;2012年

2 劉馳;基于視覺感知的圖像表征和應用研究[D];鄭州大學;2013年

3 李小娜;基于稀疏表示的圖像超分辨率算法研究[D];安徽大學;2013年

4 于雪敏;基于稀疏表示模型的腦腫瘤圖像處理研究[D];安徽大學;2013年

5 徐爭元;基于Gabor特征的稀疏表示人臉識別研究[D];安徽大學;2013年

6 齊曉銳;稀疏編碼的有效算法[D];西安電子科技大學;2013年

7 楊陽;基于稀疏和流形結構學習的人體行為識別[D];西安電子科技大學;2013年

8 鞠軍委;基于字典學習和非局部算子的無偽影圖像重構[D];西安電子科技大學;2013年

9 丁煒;基于非局部模型與字典學習的自然圖像去噪方法研究[D];西安電子科技大學;2013年

10 代坤鵬;基于自相似性的自然圖像超分辨重建[D];西安電子科技大學;2013年

本文編號：1536846