Jul, 2021

WaveCNet: 集成小波变换的卷积神经网络以抑制混叠效应，实现抗噪图像分类

HTML
PDF
TL;DR该论文提出了一种将小波变换与CNN融合的方法,通过DWT/IDWT层将特征图分成低频和高频两部分来提高CNN对噪声和对抗性攻击的鲁棒性，并在COCO检测数据集上不断提高object detectors性能的实验结果表明，该方法可以有效提升CNN的训练速度和精度。
发现论文，激发创造
  • 学习类小波自编码器加速深度神经网络

    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。

    Dec, 2017

  • 图像恢复的多层小波-CNN

    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

  • 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

  • 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

  • WaveNets：小波通道注意力网络

    本文介绍了一种在计算机视觉中使用的名为WaveNet的基于小波变换的通道注意力机制，可有效提高特征保留能力和图像分类性能。

    Nov, 2022

  • 从CNN到平移不变双小波模型

    本文提出了一种新的抗锯齿方法，通过使用复数卷积和模运算代替实数卷积和最大池化，以提高卷积神经网络的平移不变性，同时基于双树复小波分组变换设计了一个“双生”结构，实现了与标准卷积神经网络类似的输出效果，提高了图像分类的预测准确性，并且保留了高频信息同时减少内存使用。

    Dec, 2022

  • 微小目标检测中抗锯齿的重要性

    应用WaveCNet实现抗混叠的小物体检测，通过在CNN中使用WaveletPooling层来替换下采样过程以抑制混叠，并通过改进骨干网络进一步提高检测性能和减少参数数量，实验结果表明该方法在三个数据集上取得了新的最优结果。

    Oct, 2023

  • WaveDH: 基于小波子带引导的卷积神经网络在高效图像去雾中的应用

    WaveDH是一个新颖而紧凑的ConvNet，利用小波分解从特征层中提取低频和高频组件，以提高处理速度并实现高质量重建，在频率感知的基础上对特征进行了优化，以在计算成本和准确性之间取得有利的权衡，通过大量实验证明，WaveDH方法在多个图像去雾基准上优于许多最先进的方法，并大幅降低了计算成本。

    Apr, 2024

  • 谱小波 dropout：在小波域中的正则化

    本文针对卷积神经网络（CNN）的过拟合问题，提出了一种新颖的正则化方法——谱小波 dropout（SWD），通过在特征图的离散小波分解中随机丢弃详细频带，提高模型的泛化能力。与现有的傅里叶 dropout 方法相比，SWD 使用单一超参数，并在多个基准测试中表现出更低的计算复杂性与更优的性能。

    Sep, 2024