Show simple item record

dc.contributor.authorPeyré, Gabriel
HAL ID: 1211
dc.contributor.authorFadili, Jalal
HAL ID: 15510
dc.contributor.authorChesneau, Christophe
HAL ID: 15258
dc.date.accessioned2012-11-08T09:02:55Z
dc.date.available2012-11-08T09:02:55Z
dc.date.issued2011
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/10552
dc.description.abstractfrCet article traite de l'estimation adaptative de la structuration de la parcimonie en blocs dyadiques, en minimisant des mesures appropriées du risque d'estimation. Ce travail propose une nouvelle manière d'inférer adaptativement à partir des observations, la structuration des blocs pour des signaux/images parcimonieux. Pour ce faire, la théorie du risque de Stein est mise en oeuvre. La meilleure structuration est celle minimisant ce risque. Nous proposons (i) des expressions analytiques du risque; (ii) des estimateurs judicieux du risque en vue de l'implémentation numérique; (iii) un algorithme rapide de programmation dynamique aboutissant à la partition optimale. Une illustration numérique en débruitage d'images synthétiques et naturelles est donnée.
dc.language.isofren
dc.subjectParcimonie
dc.subjectalgorithme CART
dc.subjectdébruitage
dc.subject.ddc621.3en
dc.titleParcimonie Adaptative Structurée par Blocs Dyadiques
dc.typeCommunication / Conférence
dc.contributor.editoruniversityotherLaboratoire de Mathématiques Nicolas Oresme (LMNO) http://www.math.unicaen.fr/lmno/ CNRS : UMR6139 – Université de Caen Basse-Normandie;France
dc.contributor.editoruniversityotherGroupe de Recherche en Informatique, Image, Automatique et Instrumentation de Caen (GREYC) http://www.greyc.unicaen.fr/ CNRS : UMR6072 – Université de Caen Basse-Normandie – Ecole Nationale Supérieure d'Ingénieurs de Caen;France
dc.description.abstractenThis paper proposes a novel method to adapt the block- sparsity structure to the observed noisy data. Towards this goal, the Stein risk estimator framework is exploited, and the block- sparsity is dyadically organized in a tree. The adaptation of the sparsity structure is obtained by finding the best recursive dyadic partition, whose terminal nodes ( leaves ) are the blocks , that minimizes a data- driven estimator of the risk. Our main contributions are ( i) analytical expression of the risk; ( ii) a novel estimator of the r is k; ( iii) a fast algorithm that yields the best partition. Numerical results illustrated on wavelet- domain denoising of synthetic and natural images show the improvements brought by our adaptive approach.
dc.identifier.urlsitehttps://hal.archives-ouvertes.fr/hal-00744811
dc.subject.ddclabelTraitement du signalen
dc.relation.conftitleGRETSI 2011
dc.relation.confcityBordeaux
dc.relation.confcountryFRANCE
dc.relation.forthcomingnonen
dc.description.ssrncandidatenon
dc.description.halcandidateoui
dc.description.readershiprecherche
dc.description.audienceNational
dc.date.updated2018-01-08T15:54:46Z


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record