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。
Jul, 2017
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
本文提出了一种新的多层小波卷积神经网络(MWCNN)模型来更好地平衡感受野大小和计算效率,通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数,再使用反向小波变换来重建高分辨率特征映射,该模型可应用于许多图像修复任务,实验结果表明其有效性。
May, 2018
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
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
本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法,分别基于分层聚类和图拉普拉斯谱。结果表明,在低维图形上,可以实现独立于输入尺寸的卷积层学习,从而实现高效的深度网络结构。
Dec, 2013
我们提出了一种图波形神经网络(GWNN),通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络(CNN)方法的缺点,这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是,图小波变换可以通过快速算法获得,无需矩阵特征分解。此外,图小波在顶点域中稀疏且局部化,可以提供高效性和良好的图卷积可解释性。经过实验,GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs,在图半监督分类任务上具有更好的性能。
Apr, 2019
本研究旨在通过应用离散傅立叶变换和频谱表示提供有效的计算卷积方法,并且展示频谱域应用于卷积神经网络设计的创新,如频谱池化、随机修改分辨率的新形式随机正则化、卷积过滤器的复系数频谱参数化等。在不使用任何 dropout 或 max-pooling 的情况下,这些方法在分类和逼近任务中取得了有竞争力的结果,并且观察到这些方法可以显著加快训练的收敛速度。
Jun, 2015
该研究将卷积神经网络推广到高维不规则图像中,通过谱图理论提出了一种卷积滤波器设计方法,在保持线性和常数学习复杂度的同时,实现了对任意图结构的卷积作用,成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016