A Weighted Sparse Coding Framework for Saliency Detection, Nianyi Li, Bilin Sun, Jingyi Yu, CVPR 2015----code

A Fast Proximal Method for Convolutional Sparse Coding.pdf

压缩感知或稀疏编码是学习数据的稀疏表示。 最简单的方法是使用带有 L1 正则化的线性回归。 虽然这个包为稀疏编码问题提供了贝叶斯处理。 它使用变分贝叶斯来训练模型。 稀疏编码问题被建模为具有稀疏先验（自动相关性确定，ARD）的线性回归，也称为相关向量机（RVM）。 优点是可以自动进行模型选择。 因此，无需手动指定正则化参数（从数据中学习），可以获得更好的稀疏恢复。 请运行包中的演示脚本试一试。

关于代码 这是“ Zhao，C.，Zhang，J.，Ma，S.，Fan，X.，Zhang，Y.，＆Gao，W.（2017）。”的matlab实现。表示和量化约束优先。IEEE视频技术电路和系统交易，第27（10），2057-2071页。” 用法 只需运行文件Demo_SSRQC_Deblocking.m 。 引用这项工作 如果使用此代码，请引用以下论文。 @article{zhao2017reducing, title={Reducing image compression artifacts by structural sparse representation and quantization constraint prior}, author={Zhao, Chen and Zhang, Jian and Ma, Siwei and Fan, Xiaopeng and

omp算法matlab代码一种行之有效的双稀疏编码方法，AAAI-2018 arXiv论文在 目标 学习从生成模型$ y = A ^ * x + \ varepsilon $生成的样本$ y $中恢复稀疏字典$ A ^ * $。 数据和模拟设置 确定性，稀疏，正交字典$ A ^ * $ 稀疏，随机和不完整的字典 所需的Matlab软件包和/或库： 用于bipartite_matchings算法的gaimc 要将我们的算法与Trainlets进行比较，您需要下载并将其放在此文件夹中。 请注意，运行此程序需要一些库（mtimesx，omps等）。 怎么跑 设置要测试的算法的运行模式，然后运行run_simulation.m 。 接触 [Thanh Nguyen]（感谢iastate dot edu）

PyTorch套索 用于L1正则化最小二乘（套索）问题的PyTorch库。 该库正在进行中。 欢迎和赞赏的贡献！ 作者：Reuben Feinman（纽约大学） 乍看上去： import torch from lasso . linear import dict_learning , sparse_encode # dummy data matrix data = torch . randn ( 100 , 10 ) # Dictionary Learning dictionary , losses = dict_learning ( data , n_components = 50 , alpha = 0.5 , algorithm = 'ista' ) # Sparse Coding (lasso solve) coeffs = sparse_encode ( data , di

人脸识别的鲁棒稀疏编码，的稀疏表示识别方法将稀疏表示的保真度表示为余项的L2范数，但最大似然估计理论证明这样的假设要求余项服从高斯分布，实际中这样的分布可能并不成立，特别是当测试图像中存在噪声、遮挡和伪装等异常像素，这就导致传统的保真度表达式所构造的稀疏表示模型对上述这些情况缺少足够的鲁棒性。而最大似然稀疏表示识别模型则基于最大似然估计理论，将保真度表达式改写为余项的最大似然分布函数，并将最大似然问题转化为一个加权优化问题，在稀疏表示的同时引入代表各像素不同权值的矩阵，使得该算法对于图像中包含异常像素的情况表现出很好的鲁棒性。

Bruno A.Olshausen的经典稀疏编码matlab代码，文章是1996年LETTERS TO NATURE上的emergence of simple-cell receptive field properties by learning a sparse code for natural images.

Sparse coding and dictionary learning with class-specific group sparsity

这个是稀疏编码应用与人脸识别，有算法的参考文献集matlab代码，供大家学习参考