Publication

Sparse Approximation Using M-Term Pursuits with Applications to Image and Video Compression

Pascal Frossard, Pierre Vandergheynst
2005
Reports

Résumé

This paper introduces an algorithm for sparse approximation in redundant dictionaries, called the M-Term Pursuit (MTP), based on the matching pursuit approach (MP). This algorithm decomposes the signal into a linear combination of selected atoms, chosen to represent the signal components. The MTP algorithm provides adaptive representation for signals in any dictionary. The basic idea behind the MTP, is to partition the dictionary into $L$ disjoint sub-dictionaries, each carrying some meaningful information. Then it iteratively finds a $k$ -term approximation. During each iteration, $M$ atoms, where $M

Source officielle

https://infoscience.epfl.ch/entities/publication/ebf841ac-f411-4857-a853-0fa6cbed76a0

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Pascal Frossard, Pierre Vandergheynst
2005
Reports

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/ebf841ac-f411-4857-a853-0fa6cbed76a0

À propos de ce résultat

Concepts associés (32)

Sparse dictionary learning

Sparse dictionary learning (also known as sparse coding or SDL) is a representation learning method which aims at finding a sparse representation of the input data in the form of a linear combination of basic elements as well as those basic elements themselves. These elements are called atoms and they compose a dictionary. Atoms in the dictionary are not required to be orthogonal, and they may be an over-complete spanning set. This problem setup also allows the dimensionality of the signals being represented to be higher than the one of the signals being observed.

Signal électrique

vignette|Signaux électriques sur l'écran d'un oscilloscope : signal rectanglaire (haut), signal harmonique ou sinusoïdal (bas). Un signal électrique est une grandeur électrique dont la variation dans le temps transporte une information, d'une source à une destination. La grandeur électrique que l'on considère pour la transmission et le traitement du signal peut être directement la différence de potentiel ou l'intensité d'un courant électrique ; ou bien une modulation de l'amplitude, de la fréquence ou de la phase d'une variation périodique de ces grandeurs, qu'on appelle porteuse ; dans les communications numériques par modem des règles complexes régissent la modulation afin d'occuper au mieux la largeur de bande allouée.

Sparse approximation

Sparse approximation (also known as sparse representation) theory deals with sparse solutions for systems of linear equations. Techniques for finding these solutions and exploiting them in applications have found wide use in , signal processing, machine learning, medical imaging, and more. Consider a linear system of equations , where is an underdetermined matrix and . The matrix (typically assumed to be full-rank) is referred to as the dictionary, and is a signal of interest.

Afficher plus

Publications associées (13)

Afficher plus

Sparse Approximation Using M-Term Pursuits with Applications to Image and Video Compression

Chattez avec Graph Search

Time-Space Trade-Offs for Sumcheck

Integrated learning-based point cloud compression for geometry and color with graph Fourier transforms

Towards Provably Personalized Federated Learning via Threshold-Clustering of Similar Clients