.png){kind=icon}
返回
WARP-LCA: Efficient convolutional sparse coding with Locally Competitive Algorithm
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2025.130291.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
局部竞争算法（LCA）能够解决各种应用场景下的稀疏编码问题。最近，基于卷积的LCA方法已被证明在视觉流水线中对于增强图像识别任务的鲁棒性具有高度有效性。为了进一步最大化表示稀疏性，可以应用带有硬阈值处理的LCA。尽管这种组合通常能产生满足l0稀疏准则的优良解，但它在实际应用中存在显著缺点：(i) LCA效率很低，通常需要数百次优化周期才能收敛；(ii) 硬阈值处理导致损失函数非凸，可能导致次优极小值。为解决这些问题，我们提出了一种通过预测预激进行状态预热的局部竞争算法（WARP-LCA），该算法利用预测网络根据当前输入提供LCA状态的合适初始猜测。我们的方法显著提高了收敛速度和解决方案质量，同时保持甚至增强了LCA的整体优势。我们证明，与常规LCA相比，WARP-LCA快数个数量级地收敛，并能达到更优的极小值。此外，在应用于深度识别流水线时，学习到的表示更加稀疏，在重建和去噪质量以及鲁棒性方面表现出更优异的特性。更进一步，我们将WARP-LCA应用于图像去噪任务，展示了其鲁棒性和实用有效性。我们的发现证实，简单使用带有硬阈值处理的LCA会导致次优极小值，而用预测猜测初始化LCA则能产生好得多的结果。
Keyword:
Computer vision
Convolutional sparse coding
Locally competitive algorithms
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive SensingIsta-net: 用于图像压缩感知的可解释优化启发的深度网络
OAAI
OAAI分享收藏Machine learning-based warm starting of active set methods in embedded model predictive control
PREAI
分享收藏Exploitation of image statistics with sparse coding in the case of stereo vision在立体视觉的情况下，利用稀疏编码进行图像统计.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Algorithm Unrolling: Interpretable, Efficient Deep Learning for Signal and Image Processing算法展开: 用于信号和图像处理的可解释、高效的深度学习OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容