@InProceedings{2015_dang173,
	author = "Hong-phuong Dang and Pierre Chainais",
	title = "Une approche bayésienne non paramétrique pour l'apprentissage d'un dictionnaire de taille adaptative",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0317",
	pages = "p. 1269-1272",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_dang173.pdf",
	abstract = "L'apprentissage de dictionnaire pour la représentation parcimonieuse est maintenant bien connu dans le cadre de la résolution de problèmes inverses en traitement d'image. Généralement, le nombre d'atomes du dictionnaire est fixé à l'avance. Nous proposons une méthode qui apprend automatiquement un dictionnaire de taille adaptée grâce à un modèle Bayésien non paramétrique de type Buffet Indien. Le niveau de bruit est aussi estimé avec précision, de sorte que presqu'aucun réglage des paramètres n'est nécessaire. Les résultats comparatifs de débruitage illustrent la pertinence de la méthode proposée.
 Dictionary learning for sparse representation is well known in solving inverse problems in image processing. In general, the number of dictionary atoms is fixed in advance. We propose a dictionary learning approach that automatically learns a dictionary of adapted size thanks to a Bayesian non parametric approach : the Indian Buffet Process prior. The noise level is also accurately estimated so that nearly no parameter tuning is needed. The denoising comparative results show the relevance of the proposed method..pdf",
}