Waarom is dit belangrijk?
Dankzij sparse dictionary learning kan een computer achteraf een lang signaal terugwinnen uit een klein aantal metingen. In wetenschappelijk onderzoek naar geluid en video wordt de methode gebruikt om grote opnames te ontleden en te analyseren. Voor onderzoekers en technici scheelt dat opslag in het dagelijks werk, maar te veel weglaten maakt de teruggezette opname minder nauwkeurig en vraagt controle.
Zo werkt het in de praktijk
Onderzoekers van Yale University gebruiken sparse dictionary learning om grenzen in medische scans te volgen. Zij volgen de binnen- en buitenrand van de linkerkamer van het hart op echobeelden. Zij markeren ook het hersenoppervlak op CT-scans na een operatie.
Zij onderzoeken hoe een woordenboek uit beeldstukjes weefselklassen scheidt. Een geleerd woordenboek vervangt daarbij vaste basisvormen, zoals Fourier of wavelets. Per taak kiezen zij de grootte van de atomen, hun aantal en de spaarzaamheid van de code.
Een veelgebruikte rekenmethode is K-SVD. K-SVD wisselt twee stappen af. Orthogonal matching pursuit, een zoekmethode die steeds het best passende atoom toevoegt, maakt eerst een spaarzame code. Daarna past K-SVD de atomen één voor één aan.




