小波卷积神经网络用于纹理分类
我们提出了一种新的 CNN 架构,Wavelet CNN 结合多分辨率分析和 CNNs 成为一个模型,在图像分类和图像注释等任务中,它比传统 CNN 具有更好的性能与较少的参数。
May, 2018
本研究通过建立一个简单的网络架构 (Texture CNN),探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性,并将纹理分析方法中的 filter bank 思想应用到神经网络中,证明了其对提升网络表现和大幅减少运算及占用空间的优势。
Jan, 2016
该文提出了一种基于非线性小波表示的统计方法,其可以用作一层 CNN 的一种实例来提高图像纹理合成的视觉质量。该方法取代了以往经典的小波模型,并在灰度和彩色纹理上达到了与最先进模型相似的视觉效果。
Mar, 2022
将可学习的小波模块整合到卷积神经网络中,以增强纹理特征提取,并通过在 ResNet18 模型中引入并行小波分支,实现对空间和频率域纹理特征的同时分析,从而提高了分类准确性。在收集的超声波数据集和公开的自然图像纹理数据集上进行实验,我们的模型在超声波数据集上实现了 97.27% 的准确率和 95.60% 的召回率,在自然图像纹理数据集上实现了 60.765% 的准确率,超过了 ResNet 的准确率,验证了我们方法的有效性。
Apr, 2024
本文研究如何通过离散小波变换(DWT)代替传统的 max-pooling,strided-convolution 和 average-pooling 来提高卷积神经网络(CNN)的抗噪性能,并设计了 WaveCNets 来进行图像分类,实验证明 WaveCNets 相比于 VGG,ResNets 和 DenseNet 等传统版本具有更好的噪声鲁棒性和准确性。
May, 2020
本文提出了一种多级小波卷积神经网络 (MWCNN) 模型,通过将小波变换嵌入到 CNN 体系结构中,以在减少特征映射分辨率和增加感受野之间实现更好的权衡,以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。
Jul, 2019
该论文提出了一种基于 CNN 编码器 - 解码器结构的 WCNN,并在城市景观数据集上进行了实验,结果表明它能够有效地进行高分辨率密集像素预测并提高准确性。
Aug, 2018
研究表明,随机浅层卷积神经网络的特征空间可以作为自然纹理的模型,可以用于纹理合成算法,并且相较于深层 CNNs 模型,浅层 CNNs 模型具有相当的性能。
May, 2016