我们引入了一种两层小波散射网络，可用于物体分类，该两层卷积网络不涉及学习和最大池化，通过初始化第一层的小波滤波器，能够在形态物体变量和杂波等复杂图像数据集上高效执行。
Dec, 2013
利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。
Mar, 2012
本文介绍一种稀疏散射深度卷积神经网络，通过散射变换和字典编码实现了高精度的分类识别。
Oct, 2019
本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。
Sep, 2018
使用散射网络作为监督式混合深度网络的头几层的一般和固定初始化，结合局部编码可以达到与 CNNs 竞争的最佳结果，还可以在小样本情况下通过几何先验获得更好性能。
Mar, 2017
应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。
Jul, 2023
本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器，可以适用于不同的网络层，并且在网络深度增加时特征越来越具有平移不变性；同时，本文还建立了对带限函数、卡通函数和 Lipschitz 函数等信号类应用的变形敏感度边界。
Dec, 2015
研究发现，不变散射变换是一种有效的医学图像分析系统，可通过将信号信息分散到深度卷积网络中，通过波波变换技术来构建有用的图像分类信号表征。
通过深度卷积网络在刚体运动分组上计算卷积，利用平移和旋转变量定义小波，实现了沿平移和旋转轴自适应不变性。该方法不仅保留关节旋转和平移信息，还能以任意所需比例提供全局不变性。文章通过对单个实现的稳定过程进行分类研究和分析，在多个纹理数据库上取得了最先进的结果，具有重要的旋转和缩放可变性。
Mar, 2014
本文介绍广义散射变换作为深度神经网络数学模型，并探讨其在无监督和有监督学习及分类中的应用。
Jun, 2013