Apprentissage d'a priori analyse - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2011

Apprentissage d'a priori analyse

Résumé

Ce papier étudie l'optimisation d'un a priori analyse parcimonieux pour le débruitage d'images. Un dictionnaire redondant ou bien un filtre de convolution est optimisé afin de minimiser l'erreur de débruitage sur des signaux donnés en exemples. L'apprentissage de dictionnaires pour les représentations parcimonieuses est traditionnellement cantonné à une formulation synthèse. Ce travail généralise les travaux précédents à l'apprentissage pour une formulation analyse. Pour ce faire, nous formulons le problème comme un programme d'optimisation bi-niveau pour lequel une analyse et un algorithme de descente sont fournis. L'algorithme est appliqué à des signaux synthétiques et naturels 1D afin d'apprendre un dictionnaire non-structuré et un dictionnaire de convolution. L'a priori ainsi obtenu améliore les résultats de débruitage par rapport à un a priori de variation totale. Ces résultats sont encourageants en vue d'une extension en 2D.
Fichier principal
Vignette du fichier
GRETSI11-AnalysisPrior.pdf (131.31 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-00744810 , version 1 (24-10-2012)

Identifiants

  • HAL Id : hal-00744810 , version 1

Citer

Gabriel Peyré, Jalal M. Fadili. Apprentissage d'a priori analyse. GRETSI'11, 2011, Bordeaux, France. 4 pp. ⟨hal-00744810⟩
183 Consultations
162 Téléchargements

Partager

Gmail Facebook X LinkedIn More