Titre :

Indian Buffet process dictionary learning for image inpainting

Auteur(s) :

Dang, Hong [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Chainais, Pierre [Auteur]
Centrale Lille
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]

Titre de la manifestation scientifique :

IEEE Workshop on Statistical Signal Processing

Ville :

Palma de Mallorca

Pays :

Espagne

Date de début de la manifestation scientifique :

2016-06-26

Titre de la revue :

Proceedings of the IEEE Workshop on Statistical Signal Processing

Date de publication :

2016

Mot(s)-clé(s) en anglais :

sparse representations
inverse problems
Indian Buffet Process
Dictionary Learning

Discipline(s) HAL :

Sciences de l'ingénieur [physics]/Traitement du signal et de l'image [eess.SP]
Statistiques [stat]/Machine Learning [stat.ML]
Mathématiques [math]/Statistiques [math.ST]
Informatique [cs]/Traitement du signal et de l'image [eess.SP]
Informatique [cs]/Apprentissage [cs.LG]
Informatique [cs]/Traitement des images [eess.IV]

Résumé en anglais : [en]

Ill-posed inverse problems call for adapted models to define relevant solutions. Dictionary learning for sparse representation is often an efficient approach. In many methods, the size of the dictionary is fixed in advance ...
Lire la suite >Ill-posed inverse problems call for adapted models to define relevant solutions. Dictionary learning for sparse representation is often an efficient approach. In many methods, the size of the dictionary is fixed in advance and the noise level as well as regularization parameters need some tuning. Indian Buffet process dictionary learning (IBP-DL) is a Bayesian non para-metric approach which permits to learn a dictionary with an adapted number of atoms. The noise and sparsity levels are also inferred so that the proposed approach is really non para-metric: no parameters tuning is needed. This work adapts IBP-DL to the problem of image inpainting by proposing an accelerated collapsed Gibbs sampler. Experimental results illustrate the relevance of this approach.Lire moins >

Langue :

Anglais

Comité de lecture :

Oui

Audience :

Internationale

Vulgarisation :

Non

Projet ANR :

Méthodes bayésiennes non paramétriques pour le traitement du signal et de l'image

Collections :

• Centre de Recherche en Informatique, Signal et Automatique de Lille (CRIStAL) - UMR 9189

Source :

Harvested from HAL