Show simple item record

dc.contributor.authorFadili, Jalal
dc.contributor.authorPeyré, Gabriel
dc.date.accessioned2012-11-08T09:21:36Z
dc.date.available2012-11-08T09:21:36Z
dc.date.issued2011
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/10553
dc.description.abstractfrCe 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.en
dc.language.isofren
dc.subjectdébruitageen
dc.subjectoptimisationen
dc.subjectanalyseen
dc.subjectParcimonieen
dc.subject.ddc621.3en
dc.titleApprentissage d'a priori analyseen
dc.typeCommunication / Conférence
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 introduces a novel approach to learn a dictionary in a sparsity-promoting analysis-type prior. The dictionary is optimized in order to restore a set of exemplars from their degraded noisy versions. Towards this goal, we cast our problem as a bilevel programming problem for which we propose a gradient descent algorithm to reach a stationary point that might be a local minimizer. When the dictionary analysis operator specializes to a convolution, our method turns out to be a way of learning generalized total variation-type prior. Applications to 1D signal denoising are reported and potential applicability and extensions are discussed.en
dc.identifier.citationpages4en
dc.identifier.urlsitehttp://hal.archives-ouvertes.fr/hal-00744810en
dc.subject.ddclabelTraitement du signalen
dc.relation.conftitleGRETSI 2011en
dc.relation.confdate2011-09
dc.relation.confcityBordeauxen
dc.relation.confcountryFranceen
dc.relation.forthcomingnonen


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