学习类小波自编码器加速深度神经网络

AAAIDec, 2017

学习类小波自编码器加速深度神经网络

Learning a Wavelet-like Auto-Encoder to Accelerate Deep Neural Networks

Tianshui Chen, Liang Lin, Wangmeng Zuo, Xiaonan Luo, Lei Zhang

TL;DR提出了 Wavelet-like 自编码器用于基于图像分解的深度神经网络加速，并结合一个标准分类网络，该框架不仅能够保持图像的主要组成部分，也可应用于任意卷积神经网络的分类，具有解释性。

Abstract

Accelerating deep neural networks (DNNs) has been attracting increasing attention as it can benefit a wide range of applications, e.g., enabling mobile systems with limited computing resources to own powerful visual recognition ability. A practical strategy to this goal usually relies

deep neural networks neural network acceleration wavelet-like auto-encoder image decomposition classification

发现论文，激发创造

堆叠式何处自编码器

提出一种新型的神经网络模型 SWWAE，它同时整合了判别和生成的路径，并提供了一种统一的无监督、半监督和有监督的学习方法。其中，该模型使用卷积神经网络（Convnet）编码输入，使用反卷积网络（Deconvnet）重建输出。它的目标函数包括重建项，促使反卷积网络中的隐藏状态与卷积网络中的隐藏状态相似。

Jun, 2015

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

ResWCAE：基于残差小波条件自编码器的生物特征模式图像去噪

通过提出一种轻量级、稳健的深度学习体系结构 Res-WCAE with Kullback-Leibler 散度正则化，专为指纹图像去噪设计，在高噪声情况下对比多种先进去噪方法进行了实验，结果表明 Res-WCAE 在嵌入式 IoT 设备中的生物特征认证系统中表现优异。

Jul, 2023

用 Wasserstein 自编码器进行并发密度估计：一些统计学见解

通过神经网络引发的转换，我们从统计的角度提出了对 WAEs 机制的理论理解，并在存在敌对情况下分析了这些随机误差的传播，探索了重建分布的大样本特性和 WAE 模型的弹性。

Dec, 2023

Wasserstein 自编码器

本文提出了 Wasserstein 自编码器（WAE）算法，通过最小化 Wasserstein 距离来构建数据分布的生成模型，并与其他技术进行比较，表明其是对抗自编码器（AAE）的推广，可用于生成更高质量的样本。

Nov, 2017

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

可解释的时间序列分析多层小波分解网络

本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证，同时还提出了一种解释深度学习的方法。

Jun, 2018

FastWave：在 FPGA 上加速自回归卷积神经网络

本文开发了第一个加速器架构 FastWave 用于自回归卷积神经网络，实现了针对 WaveNet 的快速推理模型，通过优化和并行设计，FPGA 实现的 WaveNet 相较于 CPU 和 GPU 实现具有更高的生成速度和资源利用率。

Feb, 2020

自主深度学习：基于去噪自编码器的增量式学习，处理流动数据

该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN，并以单次学习为基础的方法，通过网络重要性估计来自动添加或修剪输入特征，从而提高分类精度并适应不断变化的环境。

Sep, 2018

多模态医学神经影像融合基于小波池化保存边缘自编码器

基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型，通过波尔特分解的特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。通过在多种医学图像对上训练，有效地捕捉源图像的强度分布和保留诊断信息。实验结果表明，与其他最先进的融合方法相比，所提出的方法提供了改进的视觉和定量结果。

Oct, 2023