DeepCodec：基于深度卷积神经网络的自适应感知与恢复
机器学习
2017-07-12 v1 机器学习
摘要
在本文中，我们开发了一种新颖的计算感知框架，用于感知和恢复结构化信号。当在一组代表性信号上训练时，我们的框架学习使用深度卷积神经网络进行欠采样测量并从测量中恢复信号。换句话说，它学习从原始信号到接近最优数量的欠采样测量的变换，以及从测量到信号的逆变换。这与传统的压缩感知（CS）系统形成对比，后者使用随机线性测量和凸优化或迭代算法进行信号恢复。我们从相变的角度将我们的新框架与ℓ1最小化进行比较，并证明它在ℓ1最小化无法恢复精确解的相变图区域中优于ℓ1最小化。此外，我们通过实验展示了学习测量如何增强整体恢复性能、加速恢复框架的训练并导致需要学习的参数更少。
引用
@article{arxiv.1707.03386,
title = {DeepCodec: Adaptive Sensing and Recovery via Deep Convolutional Neural Networks},
author = {Ali Mousavi and Gautam Dasarathy and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1707.03386},
year = {2017}
}