Oct, 2023

通过四元波尔兹曼网络推广医学图像表示

PDF
TL;DR神经网络普遍性研究领域愈发广泛，鉴于来自不同源和任务的数据集日益丰富。这个问题在处理医学数据时尤为重要，因为缺乏方法标准会导致不同成像中心或使用不同设备和辅助因素提供的数据变化很大。为了克服这些限制，我们引入了一种新的、泛化的、数据和任务无关的框架，能够从医学图像中提取显著特征。所提出的四元波小波网络（QUAVE）可以轻松集成到任何现有的医学图像分析或综合任务中，它可以与实值、四元值或超复值模型结合使用，将它们的采用推广到单通道数据。QUAVE 首先通过四元波小波变换提取不同的子频带，得到低频 / 近似频带和高频 / 精细特征。然后，它对最具代表性的一组子频带进行权重，并将其作为任何其他图像处理的神经模型的输入，代替标准数据样本。我们进行了广泛的实验评估，包括不同的数据集、不同的图像分析和综合任务，包括重建、分割和模态转换。我们还评估了 QUAVE 与实值和四元值模型的组合。结果证明了所提出的框架的有效性和通用性，它能提高网络性能，并在多种场景中灵活使用。
发现论文，激发创造
  • 四元数卷积神经网络

    通过使用四元数矩阵表示，我们提出了一个四元数卷积神经网络（QCNN）模型来在彩色图像分类和去噪任务中得到更具代表性的特征，并测试结果表明该模型优于具有相同结构的实值卷积神经网络。

    Mar, 2019

  • 深度四元数网络

    本文介绍了如何使用四元数构建深度网络，通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练，我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能，在分割任务中表现尤为突出。

    Dec, 2017

  • 在平面上使用新颖的四元数值小波进行色彩图像的整体处理

    研究平面上的四元波纹在整体颜色图像处理中的适用性，并提出了一种使用平面上最近开发的四元波纹滤波器关联的四元波纹对颜色图像进行分解和重构的方法。我们考虑了压缩、增强、分割和降噪技术，以证明四元波纹是整体颜色图像处理的一种有希望的工具。

    Aug, 2023

  • 四元数卷积神经网络用于异构图像处理

    本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因，发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下，在重建未看到的彩色图像上表现较好。

    Oct, 2018

  • 四元数卷积神经网络：当前进展与未来方向

    本文介绍了关于四元数卷积神经网络 (QCNNs) 的发展、目前的趋势和在设计 QCNN 模型中使用的主要模块，并提出了未来的研究方向。

    Jul, 2023

  • 神经小波扩散用于 3D 形状生成、反转和操作

    本文提出了一种基于连续小波嵌入式表示的 3D 形状生成、反演、操纵方法，包括紧凑的小波表示、扩散生成器、细节预测器、编码器等，实现了较为强大的形状生成、反演、操纵能力，优于现有的最新方法。

    Feb, 2023

  • 无线通信和传感器网络中多模态数据融合的优化

    本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

    Feb, 2023

  • 基于多层小波的生成对抗网络用于压缩视频感知质量提升

    本文提出了一种基于多层小波包变换的生成对抗网络（MW-GAN）方法，旨在增强压缩视频的感知质量，其中运动补偿与小波重构网络被用于恢复高频细节，实验结果表明了该方法的优越性。

    Aug, 2020

  • 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

  • 四元数卷积神经网络用于端到端自动语音识别

    该研究论文介绍了一种新的方法，使用四元数代替传统的时间帧维度元素作为输入特征来训练基于 QCNN 和 CTC 模型进行序列到序列映射的语音识别系统，实验结果表明，相较于基于传统卷积神经网络的竞争模型，该方法具有更高的准确率且参数更少。

    Jun, 2018