Sparsity in Bayesian Blind Source Separation and Deconvolution
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F13%3A00396464" target="_blank" >RIV/67985556:_____/13:00396464 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-642-40991-2_35" target="_blank" >http://dx.doi.org/10.1007/978-3-642-40991-2_35</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-642-40991-2_35" target="_blank" >10.1007/978-3-642-40991-2_35</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Sparsity in Bayesian Blind Source Separation and Deconvolution
Popis výsledku v původním jazyce
Blind source separation algorithms are based on various separation criteria. Differences in convolution kernels of the sources are common assumptions in audio and image processing. Since it is still an ill posed problem, any additional information is beneficial. In this contribution, we investigate the use of sparsity criteria for both the source signal and the convolution kernels. A probabilistic model of the problem is introduced and its Variational Bayesian solution derived. The sparsity of the solution is achieved by introduction of unknown variance of the prior on all elements of the convolution kernels and the mixing matrix. Properties of the model are analyzed on simulated data and compared with state of the art methods. Performance of the algorithm is demonstrated on the problem of decomposition of a sequence of medical data. Specifically, the assumption of sparseness is shown to suppress artifacts of unconstrained separation method.
Název v anglickém jazyce
Sparsity in Bayesian Blind Source Separation and Deconvolution
Popis výsledku anglicky
Blind source separation algorithms are based on various separation criteria. Differences in convolution kernels of the sources are common assumptions in audio and image processing. Since it is still an ill posed problem, any additional information is beneficial. In this contribution, we investigate the use of sparsity criteria for both the source signal and the convolution kernels. A probabilistic model of the problem is introduced and its Variational Bayesian solution derived. The sparsity of the solution is achieved by introduction of unknown variance of the prior on all elements of the convolution kernels and the mixing matrix. Properties of the model are analyzed on simulated data and compared with state of the art methods. Performance of the algorithm is demonstrated on the problem of decomposition of a sequence of medical data. Specifically, the assumption of sparseness is shown to suppress artifacts of unconstrained separation method.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA13-29225S" target="_blank" >GA13-29225S: Slepá dekonvoluce obrazu v limitních podmínkách</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2013
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Machine Learning and Knowledge Discovery in Databases
ISBN
978-3-642-40990-5
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
16
Strana od-do
548-563
Název nakladatele
Springer
Místo vydání
Berlin Heidelberg
Místo konání akce
Praha
Datum konání akce
24. 9. 2013
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—