Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Citation k-NN Approach for Facial Expression Recognition Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

A Deep Boltzmann Machine-Based Approach for Robust Image Denoising

verfasst von : Rafael G. Pires, Daniel S. Santos, Gustavo B. Souza, Aparecido N. Marana, Alexandre L. M. Levada, João Paulo Papa

Erschienen in: Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A Deep Boltzmann Machine (DBM) is composed of a stack of learners called Restricted Boltzmann Machines (RBMs), which correspond to a specific kind of stochastic energy-based networks. In this work, a DBM is applied to a robust image denoising by minimizing the contribution of some of its top nodes, called “noise nodes”, which often get excited when noise pixels are present in the given images. After training the DBM with noise and clean images, the detection and deactivation of the noise nodes allow reconstructing images with great quality, eliminating most of their noise. The results obtained from important public image datasets showed the validity of the proposed approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Unsupervised Local Regressive Attributes for Pedestrian Re-identification
Nächstes Kapitel Discovering Bitcoin Mixing Using Anomaly Detection
Fußnoten
1
Notice the procedure over the noisy images do not consider the activation field already computed for the clean images.
 
2
In this paper, we evaluated \(T\in [0.1, 0.9]\) with steps of 0.1.
 
3
Since we have \(28\times 28\) images concerning all datasets, the visible layer has \(28\,\times \,28 = 784\) nodes. Also, since we are using Bernoulli-based DBM/DBN models, we employed a min-max normalization of the grayscale values of the images’ pixels.
 
4
Since Semeion database images are \(16\,\times \,16\)-sized, we centered them into a \(28\,\times \,28\)-black-squared window in order to have all images used in the experiments with the very same size.
 
Literatur
1.
Papa, J.P., Fonseca, L.M.G., Carvalho, L.A.S.: Projections onto convex sets through particle swarm optimization and its application for remote sensing image restoration. Pattern Recognit. Lett. 31(13), 1876–1886 (2010)CrossRef
2.
Pires, R.G., Pereira, D.R., Pereira, L.A.M., Mansano, A.F., Papa, J.P.: Projections onto convex sets parameter estimation through harmony search and its application for image restoration. Nat. Comput. 15(3), 493–502 (2016)MathSciNetCrossRef
3.
Katsaggelos, A.K.: Digital Image Restoration. Springer, New York (1991)CrossRef
4.
Paik, J.K., Katsaggelos, A.K.: Image restoration using a modified Hopfield network. IEEE Trans. Image Process. 1, 49–63 (1992)CrossRef
5.
Sun, Y., Yu, S.Y.: A modified Hopfield neural network used in bilevel image restoration and reconstruction. In: International Symposium on Information Theory Application, vol. 3, pp. 1412–1414 (1992)
6.
Keyvanrad, M.A., Pezeshki, M., Homayounpour, M.A.: Deep belief networks for image denoising. arXiv preprint arXiv:​1312.​6158 (2013)
7.
Tang, Y., Salakhutdinov, R., Hinton, G.: Robust Boltzmann machines for recognition and denoising. In: IEEE Conference on Computer Vision and Pattern Recognition, Providence, Rhode Island, USA (2012)
8.
Xie, J., Xu, L., Chen, E.: Image denoising and inpainting with deep neural networks. In: Pereira, F., Burges, C.J.C., Bottou, L., Weinberger, K.Q. (eds.) Advances in Neural Information Processing Systems, vol. 25, pp. 341–349. Curran Associates Inc. (2012)
9.
Tang, Y., Salakhutdinov, R., Hinton, G.E.: Robust Boltzmann machines for recognition and denoising. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2012, pp. 2264–2271. IEEE (2012)
10.
Yan, R., Shao, L.: Image blur classification and parameter identification using two-stage deep belief networks. In: 24th British Machine Vision Conference, pp. 1–11 (2013)
11.
Osindero, S., Hinton, G.E., Teh, Y.W.: A fast learning algorithm for deep belief nets. Neural Comput. 18(7), 1527–1554 (2006)MathSciNetCrossRefMATH
12.
Salakhutdinov, R., Hinton, G.E.: Deep Boltzmann machines. In: AISTATS, vol. 1, p. 3 (2009)
13.
Hinton, G.E.: Training products of experts by minimizing contrastive divergence. Neural Comput. 14(8), 1771–1800 (2002)CrossRefMATH
14.
Salakhutdinov, R., Hinton, G.E.: An efficient learning procedure for deep Boltzmann machines. Neural Comput. 24(8), 1967–2006 (2012)MathSciNetCrossRefMATH
15.
Corinna, C., LeCun, Y., Burges, C.J.C.: The MNIST database of handwritten digits (1998)
16.
Lichman, M.: UCI machine learning repository (2013)
17.
Holub, A., Griffin, G., Perona, P.: Caltech-256 object category dataset (2007)
Metadaten
Titel
A Deep Boltzmann Machine-Based Approach for Robust Image Denoising
verfasst von
Rafael G. Pires
Daniel S. Santos
Gustavo B. Souza
Aparecido N. Marana
Alexandre L. M. Levada
João Paulo Papa
Copyright-Jahr
2018
Buch
Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications

Print ISBN: 978-3-319-75192-4

Electronic ISBN: 978-3-319-75193-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-75193-1_63

Premium Partner

    Bildnachweise