Multi-Algorithm Deep Unfolding With Application to Foreground Detection

Mustafa Siddiqui

doi:10.1109/LSP.2025.3618508

Multi-Algorithm Deep Unfolding With Application to Foreground Detection

2025-01-01

0

PRE

AI

DOI：10.1109/LSP.2025.3618508

原文链接

原文求助

摘要

En 中文

深度学习模型在各种图像处理和计算机视觉任务中取得了令人印象深刻的结果。然而，它们通常需要大型数据集，缺乏透明性，并且在整合专家知识方面存在困难。深度展开为这些问题提供了解决方案，通过将传统算法步骤嵌入神经网络架构中，从而构建出更具可解释性和数据高效的模型。传统上，深度展开涉及将单个优化算法展开为网络结构。虽然这种方法增强了可解释性，但由于其受限的结构，可能限制了模型捕捉复杂数据模式的能力。近期的方法试图通过增加更多参数或整合展开模型到更大、可解释性更低的系统中来克服这一问题。然而，这些策略往往牺牲了深度展开之所以吸引人的清晰度和结构化设计。在这封信中，我们介绍了多算法深度展开（MADU），一种在单个模型内展开多种算法结构的新型框架。这种设计使模型能够学习如何平衡不同的算法方法，在保持可解释性和结构的同时增强了灵活性。我们在前景检测任务上展示了MADU的有效性，表明我们的方法通过结构化扩展模型提升了性能。

Keyword:

Deep learning

deep unfolding

foreground detection

structured neural networks

interpretable models

Multi-Algorithm Deep Unfolding With Application to Foreground Detection

摘要

期刊

机构

引用论文