基于压缩感知的重建与推断的深度学习技术——普适系统视角
信号处理
2021-05-28 v1 机器学习
摘要
压缩感知(CS)是一种数学上优雅的降低采样率的工具，有可能为更广泛的设备带来情境感知能力。然而，采样与重建算法的实际问题阻碍了CS在现实领域中的进一步普及，尤其是在异构普适设备中。深度学习(DL)天然地补充了CS，用于自适应采样矩阵、重建信号以及从压缩样本中学习。尽管CS-DL融合近期受到了大量研究关注，但尚未被彻底综述，也未阐明在普适计算(ubicomp)领域将CS-DL应用于现实世界实现的实际问题。在本文中，我们识别了CS与DL可能相互作用的主要方式，提取了使CS-DL高效的关键思路，识别了CS-DL研究空间中的主要趋势，并推导了CS-DL在普适计算领域内未来演进的指南。
引用
@article{arxiv.2105.13191,
title = {Deep Learning Techniques for Compressive Sensing-Based Reconstruction and Inference -- A Ubiquitous Systems Perspective},
author = {Alina L. Machidon and Veljko Pejovic},
journal= {arXiv preprint arXiv:2105.13191},
year = {2021}
}