Wavelet shrinkage using adaptive structured sparsity constraints | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hidricas. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hidricas. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional | |
| dc.conicet.organizacion | University College London | |
| dc.contributor.author | Tomassi, Diego Rodolfo | |
| dc.contributor.author | Milone, Diego Humberto | |
| dc.contributor.author | Nelson, James D.B. | |
| dc.date.issued | 2015-01 | |
| dc.description.abstract | Structured sparsity approaches have recently received much attention in the statistics, machine learning, and signal processing communities. A common strategy is to exploit or assume prior information about structural dependencies inherent in the data; the solution is encouraged to behave as such by the inclusion of an appropriate regularisation term which enforces structured sparsity constraints over sub-groups of data. An important variant of this idea considers the tree-like dependency structures often apparent in wavelet decompositions. However, both the constituent groups and their associated weights in the regularisation term are typically defined a priori. We here introduce an adaptive wavelet denoising framework whereby a sparsity-inducing regulariser is modified based on information extracted from the signal itself. In particular, we use the same wavelet decomposition to detect the location of salient features in the signal, such as jumps or sharp bumps. Given these locations, the weights in the regulariser associated to the groups of coefficients that cover these time locations are modified in order to favour retention of those coefficients. Denoising experiments show that, not only does the adaptive method preserve the salient features better than the non-adaptive constraints, but it also delivers significantly better shrinkage over the signal as a whole. | es |
| dc.description.fil | Fil: Tomassi, Diego Rodolfo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Matemática Aplicada del Litoral. Universidad Nacional del Litoral. Instituto de Matemática Aplicada del Litoral; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hidricas. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional; Argentina | |
| dc.description.fil | Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hidricas. Instituto de Investigación En Señales, Sistemas E Inteligencia Computacional; Argentina | |
| dc.description.fil | Fil: Nelson, James D.B.. University College London; Estados Unidos | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Tomassi, Diego Rodolfo; Milone, Diego Humberto; Nelson, James D.B.; Wavelet shrinkage using adaptive structured sparsity constraints; Elsevier; Signal Processing; 106; 1-2015; 73-87 | es |
| dc.identifier.issn | 0165-1684 | |
| dc.identifier.uri | http://hdl.handle.net/11336/17014 | |
| dc.journal.ciudad | Amsterdam | es |
| dc.journal.pagination | 73-87 | es |
| dc.journal.pais | Países Bajos | es |
| dc.journal.title | Signal Processing | es |
| dc.journal.volume | 106 | es |
| dc.language.iso | eng | es |
| dc.publisher | Elsevier | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1016/j.sigpro.2014.07.001 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/http://www.sciencedirect.com/science/article/pii/S0165168414002953 | |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/2.5/ar/ | es |
| dc.subject | Structured Sparsity | es |
| dc.subject | Regularised Regression | es |
| dc.subject | Denoising | es |
| dc.subject | Dual-Tree Complex Wavelet Transform | es |
| dc.subject.classification | Otras Ciencias de la Computación e Información | es |
| dc.subject.classification | Ciencias de la Computación e Información | es |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es |
| dc.title | Wavelet shrinkage using adaptive structured sparsity constraints | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.19799.pdf
- Tamaño:
- 1.12 MB
- Formato:
- Adobe Portable Document Format