Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "SPARSE" wg kryterium: Wszystkie pola


Wyświetlanie 1-3 z 3
Tytuł:
Incoherent Dictionary Learning for Sparse Representation in Network Anomaly Detection
Autorzy:
Andrysiak, Tomasz
Saganowski, Łukasz
Powiązania:
https://bibliotekanauki.pl/articles/1373708.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Jagielloński. Wydawnictwo Uniwersytetu Jagiellońskiego
Tematy:
dictionary learning
sparse representation
anomaly detection
Opis:
In this article we present the use of sparse representation of a signal and incoherent dictionary learning method for the purpose of network traffic analysis. In learning process we use 1D INK-SVD algorithm to detect proper dictionary structure. Anomaly detection is realized by parameter estimation of the analyzed signal and its comparative analysis to network traffic profiles. Efficiency of our method is examined with the use of extended set of test traces from real network traffic. Received experimental results confirm effectiveness of the presented method.
Źródło:
Schedae Informaticae; 2015, 24; 63-71
0860-0295
2083-8476
Pojawia się w:
Schedae Informaticae
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Large-scale hyperspectral image compression via sparse representations based on online learning
Autorzy:
Ülkü, İ.
Kizgut, E.
Powiązania:
https://bibliotekanauki.pl/articles/331241.pdf
Data publikacji:
2018
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
hyperspectral imaging
compression algorithm
dictionary learning
sparse coding
obrazowanie wielospektralne
algorytm kompresji
nauczanie online
kodowanie rzadkie
Opis:
In this study, proximity based optimization algorithms are used for lossy compression of hyperspectral images that are inherently large scale. This is the first time that such proximity based optimization algorithms are implemented with an online dictionary learning method. Compression performances are compared with the one obtained by various sparse representation algorithms. As a result, proximity based optimization algorithms are listed among the three best ones in terms of compression performance values for all hyperspectral images. Additionally, the applicability of anomaly detection is tested on the reconstructed images.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2018, 28, 1; 197-207
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Local Characterisation and Detection of Woven Fabric Texture Based on a Sparse Dictionary
Autorzy:
Wu, Ying
Wang, Ren
Lou, Lin
Wang, Lali
Wang, Jun
Powiązania:
https://bibliotekanauki.pl/articles/2172000.pdf
Data publikacji:
2022
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
fabric texture representation
sparse representation
weave repeat
defect detection
dictionary learning
Opis:
To achieve enhanced accuracy of fabric representation and defect detection, an innovative approach using a sparse dictionary with small patches was used for fabric texture characterisation. The effectiveness of the algorithm proposed was tested through comprehensive characterisation by studying eight weave patterns: plain, twill, weft satin, warp satin, basket, honeycomb, compound twill, and diamond twill and detecting fabric defects. Firstly, the main parameters such as dictionary size, patch size, and cardinality T were optimised, and then 40 defect-free fabric samples were characterised by the algorithm proposed. Subsequently, the Impact of the weave pattern was investigated based on the representation result and texture structure. Finally, defective fabrics were detected. The algorithm proposed is an alternative simple and scalable method to characterise fabric texture and detect textile defects in a single step without extracting features or prior information.
Źródło:
Fibres & Textiles in Eastern Europe; 2022, 3 (151); 33--40
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies