IEEE Transactions on Image Processing· 2017Q1
Düşük Dereceli Tensör Tamamlama için Tensör Çarpanlara Ayırma
Tensor Factorization for Low-Rank Tensor Completion
- 355atıf
- Q1SCImago
- 2017yıl
Kısa özet
Önerilen yeni bir düşük dereceli tensör çarpanlara ayırma yöntemi, görüntü/video doldurma görevlerinde Tensör Çekirdek Normu (TNN) ve matrisleştirme yöntemlerinden daha iyi performans göstererek 3-yönlü tensör tamamlama problemlerini verimli bir şekilde çözmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- 3-yönlü tensör tamamlama için yeni bir düşük dereceli tensör çarpanlara ayırma yöntemi önerilmektedir.
- Hesaplama maliyetini azaltmak için bir tensörü iki daha küçük tensöre ayırır.
- Bir KKT noktasına yakınsayan alternatif minimizasyon algoritması ile optimize edilir.
- Deneylerde TNN ve matrisleştirme yöntemlerine göre üstün performans ve verimlilik göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Recently, a tensor nuclear norm (TNN) based method was proposed to solve the tensor completion problem, which has achieved state-of-the-art performance on image and video inpainting tasks. However, it requires computing tensor singular value decomposition (t-SVD), which costs much computation and thus cannot efficiently handle tensor data, due to its natural large scale. Motivated by TNN, we propose a novel low-rank tensor factorization method for efficiently solving the 3-way tensor completion problem. Our method preserves the low-rank structure of a tensor by factorizing it into the product of two tensors of smaller sizes. In the optimization process, our method only needs to update two smaller tensors, which can be more efficiently conducted than computing t-SVD. Furthermore, we prove that the proposed alternating minimization algorithm can converge to a Karush-Kuhn-Tucker point. Experimental results on the synthetic data recovery, image and video inpainting tasks clearly demonstrate the superior performance and efficiency of our developed method over state-of-the-arts including the TNN and matricization methods.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Image Processing, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Matematik
Computational MathematicsMathematics