Zobrazeno 1 - 10
of 73
pro vyhledávání: '"compressive learning"'
Autor:
Lutvi Murdiansyah Murdiansyah, Gelar Budiman, Indrarini Irawati, Sugondo Hadiyoso, A. V. Senthil Kumar
Publikováno v:
Journal of Applied Engineering and Technological Science, Vol 6, Iss 1 (2024)
Compressive Sensing (CS) technique in image compression represents efficient signal which offering solutions in image classification where the resources are constrained especially on a large image processing, storage resource, and computing performan
Externí odkaz:
https://doaj.org/article/a6e80dce8cbb45f4bc85af1c23cbe339
Publikováno v:
IEEE Access, Vol 11, Pp 35567-35578 (2023)
Using a novel Genetic Algorithm-based Compressive Learning (GACL), a compressed domain-learning framework is proposed that is implemented on the Haar wavelet approximation coefficient images of the standard kaggle RGB cat dog dataset with every image
Externí odkaz:
https://doaj.org/article/3028df6d31d84a509f54d2564c1f9910
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Access, Vol 9, Pp 122397-122411 (2021)
Nowadays, the development of efficient communication system is necessary for future networks. Compressive sensing was proposed as a technique to save storage and energy by compressing signals using simple linear transformations. Although compressed s
Externí odkaz:
https://doaj.org/article/9c205c5f21e94ee597966bcb8da66476
Publikováno v:
Applied Sciences, Vol 12, Iss 14, p 6881 (2022)
The majority of digital images are stored in compressed form. Generally, image classification using convolution neural network (CNN) is done in uncompressed form rather than compressed one. Training the CNN in the compressed domain eliminates the req
Externí odkaz:
https://doaj.org/article/03a1f76d832f4379baeeac3c395b0557
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
SIAM Journal on Imaging Sciences. 15:1184-1212
The Expected Patch Log-Likelihood algorithm (EPLL) and its extensions have shown good performances for image denoising. The prior model used by EPLL is usually a Gaussian Mixture Model (GMM) estimated from a database of image patches. Classical mixtu
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::1d5002111562b561dd2f245b95c5ddfc
https://doi.org/10.1137/21m1459812
https://doi.org/10.1137/21m1459812