Jul, 2017

小波卷积神经网络用于纹理分类

PDF
TL;DR本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。
发现论文，激发创造
  • 小波卷积神经网络

    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

  • 使用滤波器组在卷积神经网络中进行纹理分类

    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

  • 卷积神经网络和频谱约束下的纹理合成

    本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。

    May, 2016

  • 广义整流小波协方差模型用于纹理合成

    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

  • 融合自适应小波变换的纹理分类网络

    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

  • 基于小波的 CNN 用于噪声鲁棒性图像分类

    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

  • 多级小波卷积神经网络

    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

  • 基于离散小波变换的卷积神经网络的详细密集推断

    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

  • 使用随机卷积滤波器的浅层卷积神经网络纹理合成

    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

  • 深度自适应小波网络

    本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

    Dec, 2019