• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Multimedia Systems >Deep reconstruction of 1D ISOMAP representations
【24h】

Deep reconstruction of 1D ISOMAP representations

机译：深度重建1D ISOMAP表示

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper proposes a deep learning priors-based data reconstruction method of 1D isometric feature mapping (ISOMAP) representations. ISOMAP is a classical algorithm of nonlinear dimensionality reduction (NLDR) or manifold leaning (ML), which is devoted to questing for the low dimensional structure of high dimensional data. The reconstruction of ISOMAP representations, or the inverse problem of ISOMAP, reestablishes the high dimensional data from its low dimensional ISOMAP representations, and owns a bright future in data representation, generation, compression and visualization. Due to the fact that the dimension of ISOMAP representations is far less than that of the original high dimensional data, the reconstruction of ISOMAP representations is ill-posed or undetermined. Hence, the residual learning of deep convolutional neural network (CNN) is employed to boost reconstruction performance, via achieving the priors between the low-quality result of general ISOMAP reconstruction method and its residual relative to the original data. In the situation of 1D representations, it is evaluated by the experimental results that the proposed method outbalances the state-of-the-art methods, such as nearest neighbor (NN), discrete cosine transformation (DCT) and sparse representation (SR), in reconstruction performance of video data. In summary, the proposed method is suitable for low-bitrate and high-performance applications of data reconstruction.
机译：本文提出了一种基于深度学习的基于学习前沿的数据重建方法，其1D等距特征映射（ISOMAP）表示。 ISOMAP是一种非线性维度减少（NLDR）或歧管倾斜（ML）的经典算法，其专门用于对高维数据的低维结构进行任意。 ISOMAP表示的重建或ISOMAP的反问题从其低维ISOMAP表示重新建立了高维数据，并且在数据表示，生成，压缩和可视化中拥有光明的未来。由于ISOMAP表示的维度远小于原始高维数据的维度，ISOMAP表示的重建是不良或未确定的。因此，采用深度卷积神经网络（CNN）的剩余学习来促进重建性能，通过实现一般ISOMAP重建方法的低质量结果及其相对于原始数据的残差之间的前沿。在1D表示的情况下，通过实验结果评估所提出的方法对准最先进的方法，例如最近的邻居（NN），离散余弦变换（DCT）和稀疏表示（SR），在视频数据的重建性能中。总之，所提出的方法适用于数据重建的低比特率和高性能应用。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号