基于一种连续自编码网络的图像降维和重构

被引：10

作者：

胡昭华 ^{[1
]}

宋耀良 ^{[2
]}

机构：

[1] 南京信息工程大学电子与信息工程学院

[2] 南京理工大学电子工程与光电技术学院

来源：

数据采集与处理 | 2010年 / 25卷 / 03期

关键词：

高维连续数据; 降维; 连续自编码网络; 内插重构;

D O I：

10.16337/j.1004-9037.2010.03.021

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对高维连续数据的降维问题,提出一种新的非线性降维方法,称为连续自编码(Continuous autoencoder,C-autoencoder)神经网络,该方法采用限制玻耳兹曼机的连续形式(Continuous restricted Boltzmann machine,CRBM)的网络结构,通过训练具有多个中间层的双向深层神经网络将高维连续数据转换成低维嵌套并继而重构高维连续数据。这种连续自编码网络提供了高维连续数据空间和低维嵌套结构的双向映射,有效解决了大多数非线性降维方法所不具备的逆向映射问题,特别适用于高维连续数据的降维和重构。将C-autoencoder用于连续帧图像的实验表明,C-autoencoder不仅能发现嵌入在高维连续帧图像中的非线性低维结构,也能有效地从低维结构中恢复原始高维图像数据,而且还能对连续帧图像有效地进行内插重构。

引用

页码：318 / 323

页数：6