IEEE Transactions on Neural Networks and Learning Systems· 2016Q1
Video Tamamlama için Büküm Tensör Çekirdek Normu
The Twist Tensor Nuclear Norm for Video Completion
- 206atıf
- Q1SCImago
- 2016yıl
Kısa özet
Dolaşık cebire dayanan yeni bir Büküm Tensör Çekirdek Normu (t-TNN) modeli, özellikle kayan kameralardan alınan görüntüler için mevcut düşük ranklı modellerden daha iyi performans göstererek eksik karelere sahip videoları etkili bir şekilde yeniden yapılandırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Yeni bir düşük ranklı tensör modeli olan Büküm Tensör Çekirdek Normu (t-TNN) tanıtıldı.
- t-TNN, verimli hesaplama için dolaşık cebir ve hızlı Fourier dönüşümünü kullanır.
- Model, büküm tensörünün blok dolaşık matrisleştirmesine matris çekirdek normunu genişletir.
- t-TNN, özellikle kayan kamera görüntülerinde video tamamlama konusunda üstün performans sergiliyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
In this paper, we propose a new low-rank tensor model based on the circulant algebra, namely, twist tensor nuclear norm (t-TNN). The twist tensor denotes a three-way tensor representation to laterally store 2-D data slices in order. On one hand, t-TNN convexly relaxes the tensor multirank of the twist tensor in the Fourier domain, which allows an efficient computation using fast Fourier transform. On the other, t-TNN is equal to the nuclear norm of block circulant matricization of the twist tensor in the original domain, which extends the traditional matrix nuclear norm in a block circulant way. We test the t-TNN model on a video completion application that aims to fill missing values and the experiment results validate its effectiveness, especially when dealing with video recorded by a nonstationary panning camera. The block circulant matricization of the twist tensor can be transformed into a circulant block representation with nuclear norm invariance. This representation, after transformation, exploits the horizontal translation relationship between the frames in a video, and endows the t-TNN model with a more powerful ability to reconstruct panning videos than the existing state-of-the-art low-rank models.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Neural Networks and Learning Systems, 2016 · 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