稀疏受限玻尔兹曼机研究综述

计算机工程与科学

稀疏受限玻尔兹曼机研究综述

麦超，邹维宝

（长安大学地质工程与测绘学院，陕西西安 710054）

收稿日期:2015-12-07 修回日期:2016-03-17 出版日期:2017-07-25 发布日期:2017-07-25

Review of sparse restricted Boltzmann machine

MAI Chao,ZOU Wei-bao

(College of Geology Engineering and Geomatics,Chang’an University,Xi’an 710054,China)

Received:2015-12-07 Revised:2016-03-17 Online:2017-07-25 Published:2017-07-25

摘要/Abstract

摘要：

人类的视觉系统采用稀疏编码方式来描述被感知的图像特征，而稀疏表示被认为是图像特征最合理而且有效的表示形式。由于受限玻尔兹曼机具有强大的无监督学习能力，所以它被用于深度学习中。将多个稀疏受限玻尔兹曼机堆叠起来，不仅可以模拟大脑的分层结构，还可以学习到图像更加抽象的特征信息。因此，采用受限玻尔兹曼机获得图像特征的稀疏表示在人工智能领域得到了广泛的关注。首先介绍了受限玻尔兹曼机的基础知识，紧接着阐述了稀疏化的原因，并描述了稀疏受限玻尔兹曼机的优点。然后，文章详细介绍了稀疏受限波尔兹曼机的国内外研究现状。最后总结了目前研究中存在的问题及将来的发展方向。

关键词: 稀疏表示, 受限玻尔兹曼机, 深度学习, 图像处理

Abstract:

Sparse coding is used to describe the image features perceived in the human visual system. Sparse representation is a reasonable and effective representation of image features. We therefore introduce the restricted Boltzmann machine (RBM) to deep learning because of its reliable unsupervised ability to learn image features. Stacked sparse restricted Boltzmann machines (SRBMs) cannot only mimic the hierarchical organization of the cortex but also achieve more abstractive image features. So using the SRBM to obtain the sparse representation of image features attracts more attention in the field of AI. We introduce the basics of the RBM, describe its advantages and review thoroughly the existing work. Finally, we summarize open questions suggested in the last section and the future development.

Key words: sparse representation, RBM, deep learning, image processing

麦超，邹维宝. 稀疏受限玻尔兹曼机研究综述[J]. 计算机工程与科学.

MAI Chao,ZOU Wei-bao. Review of sparse restricted Boltzmann machine[J]. Computer Engineering & Science.

[1]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[2]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[3]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[6]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[7]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[8]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.
[9]	邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110.
[10]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[11]	张骞, 陈紫强, 孙宗威, 赖镜安. 融合高分辨率网络的雾天目标检测算法[J]. 计算机工程与科学, 2023, 45(11): 1970-1981.
[12]	刘雨墨, 刘剑飞, 郝禄国, 曾文彬. 基于多尺度特征融合网络的HEVC帧内编码单元快速划分研究[J]. 计算机工程与科学, 2023, 45(11): 1991-1998.
[13]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[14]	马志峰, 张浩, 刘劼. 基于深度学习的短临降水预报综述[J]. 计算机工程与科学, 2023, 45(10): 1731-1753.
[15]	陈海永, 吕承杰, 杜春, 陈鹏. 孪生注意力门控融合的遥感图像变化检测编解码网络[J]. 计算机工程与科学, 2023, 45(09): 1593-1601.