الوصف
ما الذي تعلمناه من النظرية الجديدة للمسؤولية الاجتماعية للشركات وتجارب تقليل الضوضاء أعلاه؟ من المفيد فهم العلاقة بين تعلم القاموس والتكتل الهيكلي من منظور متعدد الجوانب. على الصعيد العالمي ، قد تشكل مجموعة البقع في الصور الطبيعية مشعبًا غير خطي يتكون من العديد من الأبراج ؛ كيفية اكتشاف الهندسة المحلية لمثل هذا المشعب غير الخطي هي مشكلة جذبت الكثير من الاهتمام في السنوات الأخيرة.
يمكن أيضًا إزالة التشويش من الصورة في إطار التعلم / إعادة البناء المتشعب فيما عدا أن التعلم غير الخاضع للإشراف يعمل ببيانات صاخبة. يفصل تعلم القاموس مثل K-SVD إشارات الصورة عن الضوضاء المضافة عن طريق التفكير عالميًا (أي تغيير الإحداثيات) ؛ بينما يحقق التجميع الهيكلي مثل BM3D نفس الهدف من خلال تركيب السطح الزائد محليًا في مساحة التصحيح (أي الانكماش التكراري). ما أظهرته المسؤولية الاجتماعية للشركات هو فائدة الجمع بين التفكير العالمي والملاءمة المحلية.
ref :
Dong, W., Li, X., Zhang, L., & Shi, G. (2011, June). Sparsity-based image denoising via dictionary learning and structural clustering. In Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on (pp. 457-464). IEEE.
تنفيذ خوارزميات تقليل الضوضاء K-SVD و K-SVD
تقليل الضوضاء عن طريق تعلم القاموس والتجميع الهيكلي
https://pdfs.semanticscholar.org/5872/de6fb6fd9969c26277a63d8ebb16431505bf.pdf
المراجعات
لا توجد مراجعات بعد.