全变分与 L1 正则化对比：化学检测中压缩感知优化方法的比较
图像与视频处理
2019-06-26 v1 信号处理
摘要
压缩感知（CS）的一个基本假设是，通过求解带有适当正则化项的优化问题，可以从少量样本中重构信号。两个标准的正则化项是 L1 范数和全变分（TV）范数。我们针对这两种方法在化学检测背景下给出了 CS 重构结果的比较，并证明基于 L1 范数的优化优于基于 TV 范数的优化。我们的比较由 CS 采样、重构以及两个真实世界数据集中的化学检测驱动：Physical Sciences Inc. 法布里-珀罗干涉仪传感器多光谱数据集和 Johns Hopkins Applied Physics Lab 基于 FTIR 的长波红外传感器高光谱数据集。两个数据集均包含诸如冰醋酸、磷酸三乙酯和六氟化硫等化学模拟物的释放。对于化学检测，我们使用自适应相干估计器（ACE）和块相干，并提出了算法化的 ACE 阈值来定义未压缩数据立方体和重构数据立方体中是否存在目标化学品。未压缩数据立方体提供了近似的地面真值。我们证明基于 L1 范数或 TV 范数的优化在 90% 压缩率下均能成功检测化学品，但表明 L1 优化更优。我们给出了两种方法重构结果上化学检测的定量比较，重点在于 ACE 值高于阈值的像素数量。
引用
@article{arxiv.1906.10603,
title = {Total variation vs L1 regularization: a comparison of compressive sensing optimization methods for chemical detection},
author = {Elin Farnell and Henry Kvinge and Julia R. Dupuis and Michael Kirby and Chris Peterson and Elizabeth C. Schundler},
journal= {arXiv preprint arXiv:1906.10603},
year = {2019}
}
备注
13 pages