Methods for Solving Regularized Inverse Problems: From Non-Euclidean Fidelities to Computational Imaging Applications


Première édition

L'objectif de ce livre est d’observer le fonctionnement de la justice dans l’arrondissement judiciaire de Mons durant les deux guerres mondiales, face aux douloureuses réalités des collaborations et des résistances avec l’occupant allemand. Lire la suite

L'objectif de ce livre est d’observer le fonctionnement de la justice dans l’arrondissement judiciaire de Mons durant les deux guerres mondiales, face aux douloureuses réalités des collaborations et des résistances avec l’occupant allemand. Les conséquences de ces deux occupations se font sentir dès
le mois d’août 1914 et jusqu’aux dernières suites pénales de l’épuration de la Seconde Guerre mondiale (1961). Au fil de six contributions – deux sur la première guerre, quatre sur la seconde –, occupations et libérations sont abordées comme des réalités vécues au quotidien par des gens ordinaires. Les tensions de la première occupation sont éclairées par les confrontations entre polices
allemandes et espions ou résistants et les poursuites des « inciviques » par des juges en uniforme après l’armistice. À la fin de la seconde occupation, les homicides de vengeance, la prise en charge des collaborateurs juvéniles, l’épuration des sympathisants de l’Ordre Nouveau et le procès de la « bande Chéron », un groupe de rexistes passés à la violence sanglante, dessinent une société clivée
sur le plan économique, social, politique et culturel et soumise à une occupation plus dramatique que la première. Dans une atmosphère de quasi « guerre civile », la justice, qu’elle soit civile ou militaire, est investie d’une mission de rétablissement de l’ordre social et de pacification des comportements.


Livre broché - En anglais 28,80 €

InfoPour plus d'informations à propos de la TVA et d'autres moyens de paiement, consultez la rubrique "Paiement & TVA".
Info Les commandes en ligne se font via notre partenaire i6doc.

Spécifications


Éditeur
Presses universitaires de Louvain
Auteur
Kévin Degraux,
Collection
Thèses de l'École polytechnique de Louvain | n° 618
Langue
anglais
Catégorie (éditeur)
Sciences appliquées > Ingénierie mathématique
Catégorie (éditeur)
Sciences appliquées
BISAC Subject Heading
TEC000000 TECHNOLOGY & ENGINEERING > TEC009000 TECHNOLOGY & ENGINEERING / Engineering (General)
Code publique Onix
06 Professionnel et académique
CLIL (Version 2013-2019 )
3069 TECHNIQUES ET SCIENCES APPLIQUEES
Date de première publication du titre
11 avril 2016
Type d'ouvrage
Thèse
Avec
Bibliographie, Lexique, Lexique

Livre broché


Date de publication
01 mai 2011
ISBN-13
978-2-87463-252-5
Ampleur
Nombre de pages de contenu principal : 270
Dépôt Légal
D/2010/9964/51 Louvain-la-Neuve, Belgique
Code interne
84439
Format
16 x 24 x 1,5 cm
Poids
439 grammes
Prix
22,00 €
ONIX XML
Version 2.1, Version 3

PDF


Date de publication
01 mai 2011
ISBN-13
978-2-87463-769-8
Ampleur
Nombre de pages de contenu principal : 270
Dépôt Légal
D/2010/9964/51 Louvain-la-Neuve, Belgique
Code interne
84439PDF
Prix
15,00 €
ONIX XML
Version 2.1, Version 3

Google Livres Aperçu


Publier un commentaire sur cet ouvrage

Si vous avez une question, utilisez plutôt notre formulaire de contact

Sommaire


Nomenclature xxi
1 Introduction 1
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Outline and contributions . . . . . . . . . . . . . . . . . . 4
2 Preliminaries 7
2.1 Regularized inverse problems . . . . . . . . . . . . . . . . 7
2.1.1 Forward model . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Low complexity priors . . . . . . . . . . . . . . . . 15
2.1.3 Sensing model and embedding . . . . . . . . . . . 25
2.2 Recovery methods . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 General optimization formulation . . . . . . . . . 33
2.2.2 Non-convex recovery methods . . . . . . . . . . . 35
2.2.3 Convex recovery methods . . . . . . . . . . . . . . 41
2.2.4 Algorithms for convex optimization . . . . . . . . 46
2.2.5 Dictionary Learning . . . . . . . . . . . . . . . . . 51
3 Sparse Support Recovery with Convex Fidelity Constraint 57
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.1 Sparse regularization with convex fidelity constraint 58
3.1.2 Dual Certificates . . . . . . . . . . . . . . . . . . . 60
3.1.3 Main result for sparse support recovery . . . . . . 62
3.1.4 Relation to PriorWorks . . . . . . . . . . . . . . . 64
x Table of contents
3.2 Preliminaries and main result . . . . . . . . . . . . . . . . 65
3.2.1 Noiseless support stability . . . . . . . . . . . . . . 65
3.2.2 Model subspace and restricted injectivity conditions 66
3.2.3 Formal statement of the main result . . . . . . . . 71
3.3 Proofs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3.1 Proofs of the lemmas and subdifferential decomposability
. . . . . . . . . . . . . . . . . . . . . . . 74
3.3.2 Proof of Theorem 5 . . . . . . . . . . . . . . . . . . 83
3.4 Numerical experiments . . . . . . . . . . . . . . . . . . . . 91
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4 Online Convolutional Dictionary Learning for
Multimodal Imaging 95
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.1.1 Main Contributions . . . . . . . . . . . . . . . . . . 97
4.1.2 RelatedWork . . . . . . . . . . . . . . . . . . . . . 99
4.2 Proposed Method . . . . . . . . . . . . . . . . . . . . . . . 100
4.2.1 Problem Formulation . . . . . . . . . . . . . . . . 100
4.2.2 Online Convolutional Dictionary Learning
Algorithm . . . . . . . . . . . . . . . . . . . . . . . 104
4.2.3 Dictionary update . . . . . . . . . . . . . . . . . . 105
4.2.4 Implementation details . . . . . . . . . . . . . . . 107
4.3 Experimental Evaluation . . . . . . . . . . . . . . . . . . . 110
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5 Multispectral Compressive Imaging Strategies using
Fabry-Pérot Filtered Sensors 119
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.1.1 Main Contributions . . . . . . . . . . . . . . . . . . 121
5.1.2 RelatedWork . . . . . . . . . . . . . . . . . . . . . 122
5.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.2.1 Fabry-Pérot Filtered Sensors . . . . . . . . . . . . 125
5.2.2 Forward model and analysis prior . . . . . . . . . 127
Table of contents xi
5.2.3 Recovery Method . . . . . . . . . . . . . . . . . . . 128
5.3 Multispectral Compressive Imaging by Generalized Inpainting
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3.1 Image Formation Model . . . . . . . . . . . . . . . 132
5.3.2 Simulations . . . . . . . . . . . . . . . . . . . . . . 135
5.3.3 Experiments . . . . . . . . . . . . . . . . . . . . . . 138
5.4 Multispectral Compressive Imaging by Out-of-Focus
Random Convolution . . . . . . . . . . . . . . . . . . . . . 140
5.4.1 Image Formation Model . . . . . . . . . . . . . . . 140
5.4.2 Non-idealities and practical considerations . . . . 145
5.4.3 Sensing matrix implementation . . . . . . . . . . . 151
5.4.4 Simulations . . . . . . . . . . . . . . . . . . . . . . 153
5.5 Final Comparison . . . . . . . . . . . . . . . . . . . . . . . 155
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6 Conclusions 163
6.1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.2 Perspectives and open questions . . . . . . . . . . . . . . 166
References 173
Appendix A Elements of Convex Optimization 195