Suche nach Personen

plus im Publikationsserver
plus bei BASE
plus bei Google Scholar

Daten exportieren

 

Learning sparse representations on the sphere

Titelangaben

Verfügbarkeit überprüfen

Sureau, Florent ; Voigtlaender, Felix ; Wust, Malte ; Starck, Jean-Luc ; Kutyniok, Gitta:
Learning sparse representations on the sphere.
In: Astronomy & astrophysics. 621 (2019): A73. - 17 S.
ISSN 1432-0746

Volltext

Open Access
Volltext Link zum Volltext (externe URL):
https://doi.org/10.1051/0004-6361/201834041

Kurzfassung/Abstract

Many representation systems on the sphere have been proposed in the past, such as spherical harmonics, wavelets, or curvelets. Each of these data representations is designed to extract a specific set of features, and choosing the best fixed representation system for a given scientific application is challenging. In this paper, we show that one can directly learn a representation system from given data on the sphere. We propose two new adaptive approaches: the first is a (potentially multiscale) patch-based dictionary learning approach, and the second consists in selecting a representation from among a parametrized family of representations, the α-shearlets. We investigate their relative performance to represent and denoise complex structures on different astrophysical data sets on the sphere.

Weitere Angaben

Publikationsform:Artikel
Sprache des Eintrags:Englisch
Institutionen der Universität:Mathematisch-Geographische Fakultät > Mathematik > Lehrstuhl für Mathematik - Wissenschaftliches Rechnen
Mathematisch-Geographische Fakultät > Mathematik > Lehrstuhl für Mathematik - Reliable Machine Learning
Mathematisch-Geographische Fakultät > Mathematik > Mathematisches Institut für Maschinelles Lernen und Data Science (MIDS)
Weitere URLs:
DOI / URN / ID:10.1051/0004-6361/201834041
Open Access: Freie Zugänglichkeit des Volltexts?:Ja
Peer-Review-Journal:Ja
Verlag:EDP Sciences
Die Zeitschrift ist nachgewiesen in:
Titel an der KU entstanden:Ja
KU.edoc-ID:27956
Eingestellt am: 28. Jun 2021 11:42
Letzte Änderung: 02. Jun 2023 11:02
URL zu dieser Anzeige: https://edoc.ku.de/id/eprint/27956/
AnalyticsGoogle Scholar