本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

May, 2023

本文提出了一个自适应广义识别系统 - AGNet（自适应广义网络），用于分析海洋声学环境中的船舶辐射噪声识别。通过将固定的小波参数转化为可学习的精细参数，AGNet 学习了不同频率下的水下声音特征，并采用卷积神经网络并行卷积注意力模块作为分类器。实验表明，AGNet 在几个水下声学数据集上胜过所有基线方法，而且对于各种干扰因素表现出鲁棒性。

May, 2023

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

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。

Jul, 2021

在具有挑战性条件下，多光谱行人检测在各种任务中实现更好的可视性，因此具有广泛的应用，其中准确性和计算成本非常重要。本文提出了一种名为 WCCNet 的新颖高效的框架，能够差异化地提取不同光谱的丰富特征，降低计算复杂性，并对这些特征进行语义重排，以实现有效的跨模态融合。

Aug, 2023

本研究提出了一种基于方向小波域下的直接残差学习方法，用于向低剂量 X 射线 CT 图像中恢复细节纹理，并在实验证明该方法相较于之前的工作具有显著的性能改进。

Mar, 2017

为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。

Oct, 2016

该研究提出了一种名为对比特征对齐 (CFA) 的解决方案，旨在学习具有稳健性的不变表示形式，通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型，以获得逐步学习不变目标表示的能力，该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估，并成功证明其在不熟悉的环境中识别目标的效能

Apr, 2023

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

通过引入 L-WaveBlock，这篇论文以生成对抗网络 (GANs) 为基础，结合离散小波变换 (DWT) 和深度学习方法，提出了一种新颖且强大的特征提取器，能够加快 GAN 生成器的收敛速度并增强性能，展示了其在三个数据集上的出色效果，为图像的分辨率、生成和去噪等领域提供了一种稳健而高效的工具。

Nov, 2023