基于逆问题理论与稀疏表示的卷积神经网络分析
机器学习
2018-10-26 v2 机器学习
摘要
成像中的逆问题如去噪、去模糊、超分辨率（SR）已被研究数十年。近年来，卷积神经网络（CNNs）已广泛用于许多逆问题领域。尽管它们取得了无可争议的成功，CNNs 尚未从数学上验证其学习方式和学习内容。在本文中，我们证明在训练期间，CNN 元素求解逆问题，这些逆问题的最优解作为 CNN 神经元滤波器存储。我们讨论了 CNN 层元素之间互相关性的必要性，以使网络收敛到最优解。我们证明了所需的互相关性可通过残差学习和跳跃连接的使用来提供。我们针对训练集和网络深度设定了规则以获得更好的收敛性，即性能。
引用
@article{arxiv.1807.07998,
title = {Convolutional Neural Networks Analyzed via Inverse Problem Theory and Sparse Representations},
author = {Cem Tarhan and Gozde Bozdagi Akar},
journal= {arXiv preprint arXiv:1807.07998},
year = {2018}
}
备注
PostPrint IET Signal Processing Journal