Task-Driven Dictionary Learning

Julien Mairal 1, 2 Francis Bach 2, 3 Jean Ponce 1, 2
1 WILLOW - Models of visual object recognition and scene understanding
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
3 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
Résumé : Le codage parcimonieux consiste à représenter des signaux comme combinaisons linéaires de quelques éléments d'un dictionnaire. Cette approche a fait l'objet d'un nombre important de travaux en apprentissage statistique, traitement du signal et neuro-sciences. Pour des signaux qui admettent des représentations parcimonieuses, il est maintenant admis que cette approche permet d'obtenir de très bons résultats en restauration. Dans ce contexte, apprendre le dictionnaire résulte en un problème non convexe de factorisation de matrice, qui peut être traité efficacement par des outils d'optimisation classique. Cette même approche a aussi été utilisée pour des tâches autres que la reconstruction, comme la classification d'image, mais apprendre le dictionnaire de façon supervisée est plus difficile. Nous présentons dans cet article une méthode d'apprentissage de dictionnaire supervisée, fondée sur un algorithme d'optimisation stochastique, pour des tâches de classification ou de regression. Les expériences menées en reconnaissance de chiffres, problèmes inverses non-linéaires dans les images, et codage compréssé, montrent que notre approache est efficace à large échelle, et permet de résoudre des tâches de classification et regression pour des données admettant des représentations parcimonieuses.
Type de document :
Article dans une revue
IEEE Transactions on Pattern Analysis and Machine Intelligence, Institute of Electrical and Electronics Engineers, 2012, 34 (4), pp.30. <10.1109/TPAMI.2011.156>
Liste complète des métadonnées


https://hal.inria.fr/inria-00521534
Contributeur : Julien Mairal <>
Soumis le : lundi 9 septembre 2013 - 09:01:36
Dernière modification le : jeudi 29 septembre 2016 - 01:22:40
Document(s) archivé(s) le : jeudi 6 avril 2017 - 16:40:24

Fichiers

mairal_pami.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Julien Mairal, Francis Bach, Jean Ponce. Task-Driven Dictionary Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, Institute of Electrical and Electronics Engineers, 2012, 34 (4), pp.30. <10.1109/TPAMI.2011.156>. <inria-00521534v2>

Partager

Métriques

Consultations de
la notice

447

Téléchargements du document

276