When Dictionary Learning Meets Deep Learning: Deep Dictionary Learning and Coding Network for Image Recognition With Limited Data

计算机科学 深度学习 联营 K-SVD公司 人工智能 词典学习 神经编码 卷积神经网络 判别式 编码(社会科学) 模式识别(心理学) 源代码 自然语言处理 语音识别 稀疏逼近 数学 统计 操作系统
作者
Hao Tang,Hong Liu,Xiao Wei,Nicu Sebe
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:32 (5): 2129-2141 被引量:67
标识
DOI:10.1109/tnnls.2020.2997289
摘要

We present a new deep dictionary learning and coding network (DDLCN) for image-recognition tasks with limited data. The proposed DDLCN has most of the standard deep learning layers (e.g., input/output, pooling, and fully connected), but the fundamental convolutional layers are replaced by our proposed compound dictionary learning and coding layers. The dictionary learning learns an overcomplete dictionary for input training data. At the deep coding layer, a locality constraint is added to guarantee that the activated dictionary bases are close to each other. Then, the activated dictionary atoms are assembled and passed to the compound dictionary learning and coding layers. In this way, the activated atoms in the first layer can be represented by the deeper atoms in the second dictionary. Intuitively, the second dictionary is designed to learn the fine-grained components shared among the input dictionary atoms; thus, a more informative and discriminative low-level representation of the dictionary atoms can be obtained. We empirically compare DDLCN with several leading dictionary learning methods and deep learning models. Experimental results on five popular data sets show that DDLCN achieves competitive results compared with state-of-the-art methods when the training data are limited. Code is available at https://github.com/Ha0Tang/DDLCN.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
酷炫的香魔完成签到,获得积分10
刚刚
刚刚
刚刚
NexusExplorer应助无奈满天采纳,获得10
刚刚
qwt_hello完成签到,获得积分10
刚刚
刚刚
海涛完成签到,获得积分10
1秒前
星星发布了新的文献求助10
2秒前
qq完成签到,获得积分10
2秒前
2秒前
2秒前
中央戏精学院完成签到,获得积分10
2秒前
寒冷依秋完成签到,获得积分10
2秒前
彭于晏应助jogrgr采纳,获得10
2秒前
思源应助momo采纳,获得10
3秒前
guozi应助yi采纳,获得10
3秒前
科研通AI2S应助鲤鱼凛采纳,获得10
3秒前
3秒前
kumarr发布了新的文献求助10
3秒前
3秒前
时尚语梦发布了新的文献求助10
3秒前
苹果酸奶完成签到,获得积分10
4秒前
标致小伙发布了新的文献求助10
5秒前
5秒前
5秒前
科研民工发布了新的文献求助10
5秒前
Owen应助sun采纳,获得10
5秒前
handsomecat发布了新的文献求助10
5秒前
乐乐关注了科研通微信公众号
5秒前
5秒前
Kriemhild完成签到,获得积分10
6秒前
dz完成签到,获得积分10
6秒前
小可发布了新的文献求助10
6秒前
夜雨声烦完成签到,获得积分10
6秒前
MrCoolWu发布了新的文献求助10
6秒前
过时的不评完成签到,获得积分10
7秒前
7秒前
7秒前
月儿发布了新的文献求助10
8秒前
落落完成签到 ,获得积分10
8秒前
高分求助中
Continuum Thermodynamics and Material Modelling 3000
Production Logging: Theoretical and Interpretive Elements 2700
Social media impact on athlete mental health: #RealityCheck 1020
Ensartinib (Ensacove) for Non-Small Cell Lung Cancer 1000
Unseen Mendieta: The Unpublished Works of Ana Mendieta 1000
Bacterial collagenases and their clinical applications 800
El viaje de una vida: Memorias de María Lecea 800
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3527699
求助须知:如何正确求助?哪些是违规求助? 3107752
关于积分的说明 9286499
捐赠科研通 2805513
什么是DOI,文献DOI怎么找? 1539954
邀请新用户注册赠送积分活动 716878
科研通“疑难数据库(出版商)”最低求助积分说明 709759