(录用定稿)网络首发时间:2020-01-10 15:27:57

卷积稀疏编码(CSC)已广泛应用于信号或图像处理、重构和分类等任务中,基于深度学习思想的多层卷积稀疏编码(MLCSC)模型的多层基追踪问题和多层字典学习问题成为研究热点。但基于傅里叶域的交替方向乘子法(ADMM)求解器和基于图像块(patch)空间域思想的传统基追踪算法不能容易地扩展到多层情况。在切片(slice)局部处理思想的基础上,本文提出了一种新的多层基追踪(Ml-BP)算法:多层局部块坐标下降算法(ML-LoBCoD)。在多层迭代软阈值算法(ML-ISTA)和对应的迭代展开网络ML-ISTA-Net的启发下,提出了对应的迭代展开网络ML-LoBCoD-Net。ML-LoBCoD-Net实现信号的表征学习功能,输出的最深层卷积稀疏编码用于分类。此外,为了获得更好的信号重构,本文提出了一种新的多层切片卷积重构网络(ML-SCRN-Net),ML-SCRN-Net实现从信号稀疏编码到信号重构,并且对这两个网络分别进行实验验证。然后将ML-LoBCoD-Net和ML-SCRN-Net进行级联得到ML-LoBCoD-SCRN合并网,同时实现图像的分类和重构。与传统基于全连接层对图像进行重建的方法相比,本文提出的ML-LoBCoD-SCRN合并网所需参数少,收敛速度快,重构精度高。本文将ML-ISTA和ML-FISTA构建为ML-ISTA-SCRN和ML-FISTA-SCRN进行对比实验,初步证明了所提出的MLLoBCoD-SCRN分类重构网在MNIST、CIFAR10和CIFAR100数据集上是有效的,分类正确率、损失函数和信号重构结果都优于ML-ISTA-SCRN和ML-FISTA-SCRN。

国家自然科学基金(61473339); 首批“河北省青年拔尖人才”([2013]17)资助项目; 京津冀基础研究合作专项(F2019203583);

多层卷积稀疏编码; 多层基追踪; 多层局部块坐标下降法; 分类; 重构;

10.16383/j.aas.c190540

TP391.41;TP18

中国知网独家网络首发,未经许可,禁止转载、摘编。

自动化学报

Acta Automatica Sinica

ISSN:0254-4156

中文核心期刊

35163188K
在线咨询 用户反馈