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
WaveMix 是一种用于计算机视觉的新型神经体系结构,它具有资源效率,可推广性和可扩展性,使用多级二维离散小波变换(2D-DWT)在 WaveMix 块中,可以比现有技术更快、更好地实现分割和分类。
May, 2022
本文提出了一种利用深度卷积神经网络从原始波形数据中直接学习音频模型的方法,通过批归一化、剩余学习和精心设计的下采样实现高效处理音频波形,并在环境声音识别任务中取得了 15% 的性能提升,达到了使用对数 - 梅尔特征的模型的性能。
Oct, 2016
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
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。
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 MultiWave 框架,采用小波分解对多变量时间序列数据进行频率分组,并结合门控机制来提高各种深度学习模型的性能。多个实验表明,MultiWave 可以准确地识别信息丰富的频率带,提高模型性能,并提供有价值的应用见解。
Jun, 2023
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