Fast convolutional sparse coding using matrix inversion lemma

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00459332" target="_blank" >RIV/67985556:_____/16:00459332 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.dsp.2016.04.012" target="_blank" >http://dx.doi.org/10.1016/j.dsp.2016.04.012</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.dsp.2016.04.012" target="_blank" >10.1016/j.dsp.2016.04.012</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Fast convolutional sparse coding using matrix inversion lemma

Popis výsledku v původním jazyce

Convolutional sparse coding is an interesting alternative to standard sparse coding in modeling shift-invariant signals, giving impressive results for example in unsupervised learning of visual features. In state-of-the-art methods, the most time-consuming parts include inversion of a linear operator related to convolution. In this article we show how these inversions can be computed non-iteratively in the Fourier domain using the matrix inversion lemma. This greatly speeds up computation and makes convolutional sparse coding computationally feasible even for large problems. The algorithm is derived in three variants, one of them especially suitable for parallel implementation. We demonstrate algorithms on two-dimensional image data but all results hold for signals of arbitrary dimension.

Název v anglickém jazyce

Fast convolutional sparse coding using matrix inversion lemma

Popis výsledku anglicky

Convolutional sparse coding is an interesting alternative to standard sparse coding in modeling shift-invariant signals, giving impressive results for example in unsupervised learning of visual features. In state-of-the-art methods, the most time-consuming parts include inversion of a linear operator related to convolution. In this article we show how these inversions can be computed non-iteratively in the Fourier domain using the matrix inversion lemma. This greatly speeds up computation and makes convolutional sparse coding computationally feasible even for large problems. The algorithm is derived in three variants, one of them especially suitable for parallel implementation. We demonstrate algorithms on two-dimensional image data but all results hold for signals of arbitrary dimension.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-29225S" target="_blank" >GA13-29225S: Slepá dekonvoluce obrazu v limitních podmínkách</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Digital Signal Processing

ISSN

1051-2004

e-ISSN

—

Svazek periodika

55

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

8

Strana od-do

44-51

Kód UT WoS článku

000378662600005

EID výsledku v databázi Scopus

2-s2.0-84966457206