学习求逆：基于深度卷积网络的信号恢复
机器学习
2017-01-17 v1 人工智能
信息论
机器学习
math.IT
摘要
压缩感知(CS)的前景被两个重大挑战所抵消。首先，真实世界数据在固定基下并非精确稀疏。其次，当前高性能恢复算法收敛缓慢，将 CS 限制于非实时应用或具备海量后端计算的场景。本文通过开发一种称为 DeepInverse 的新信号恢复框架正面应对这两个挑战，该框架使用深度卷积网络学习从测量向量到信号的逆变换。当在一组代表性图像上训练时，网络同时学习信号的表示（应对挑战一）以及逼近贪婪或凸恢复算法的逆映射（应对挑战二）。我们的实验表明，DeepInverse 网络紧密逼近最先进的 CS 恢复算法所产生的解，而运行时间快数百倍。超快运行时间的代价是深度网络典型的算力密集型离线训练过程。然而，训练只需完成一次，这使得该方法对大量稀疏恢复问题颇具吸引力。
引用
@article{arxiv.1701.03891,
title = {Learning to Invert: Signal Recovery via Deep Convolutional Networks},
author = {Ali Mousavi and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1701.03891},
year = {2017}
}
备注
Accepted at The 42nd IEEE International Conference on Acoustics, Speech and Signal Processing