学习联合强度-深度稀疏表示
计算机视觉与模式识别
2013-09-20 v2
摘要
本文提出了一种学习由描述 3D 场景的两种模态（图像强度和场景深度）组成的过完备字典的方法。我们提出了一种新颖的联合基追踪 (JBP) 算法，该算法使用锥规划在两种模态中寻找相关的稀疏特征，并将其集成到两步字典学习算法中。JBP 与相关的凸算法不同，因为它为强度和深度找到了具有不同原子和不同系数值的联合稀疏模型。这对于恢复生成模型至关重要，在该模型中，相同的稀疏潜在原因（3D 特征）会产生不同的信号（强度和深度）。我们给出了 JBP 获得的稀疏系数恢复误差的理论界限，并通过实验表明 JBP 远优于最先进的 Group Lasso 算法。当应用于 Middlebury 深度-强度数据库时，我们的学习算法收敛到一组相关特征，例如深度和强度边缘对，或图像纹理和深度倾斜。最后，我们展示了学习到的字典和 JBP 在飞行时间 3D 数据上实现了最先进的深度修复性能。
引用
@article{arxiv.1201.0566,
title = {Learning joint intensity-depth sparse representations},
author = {Ivana Tosic and Sarah Drewes},
journal= {arXiv preprint arXiv:1201.0566},
year = {2013}
}