Jan, 2024

TFDMNet：一种将时间域和频率域特征结合的新型网络结构

PDF
TL;DR本文提出了一种新的基于频域训练的元素逐位乘法层（EML），用于替代卷积层，并引入了权重固定机制以缓解过拟合问题。同时，分析了批量归一化和丢弃机制在频域中的工作行为。为了在计算复杂度和内存使用之间达到平衡，提出了一种新的网络结构，即时间频域混合网络（TFDMNet），结合了卷积层和 EML 的优势。实验证明，与对应的 CNN 相比，TFDMNet 在 MNIST、CIFAR-10 和 ImageNet 数据库上具有更好的性能并且操作数更少。
convolutional neural networkelement-wise multiplication layerfrequency domainweight fixation mechanismtime-frequency domain mixture network
发现论文，激发创造
  • 在频域中学习卷积神经网络

    该论文提出 CEMNet，一种可以在频域训练卷积神经网络的方法。利用分频域组将卷积操作替换为逐元素乘法操作，显著降低计算复杂度，并引入一些机制来解决过拟合的问题。

    Apr, 2022

  • TFDNet：基于时频增强分解网络的长期时间序列预测

    提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法，用于从时频域捕捉长期潜在模式和时间周期性，通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式，实验证明 TFDNet 在效果和效率上优于现有方法。

    Aug, 2023

  • TFN: 一种嵌入时频变换的可解释神经网络用于智能故障诊断

    本研究提出一种新颖的可解释神经网络 (Time-Frequency Network)，将物理显著的时间 - 频率变换 (TFT) 方法嵌入到传统卷积层中作为自适应预处理层，不仅提高了故障诊断性能，还揭示了 CNN 在频率域预测的逻辑基础。

    Sep, 2022

  • FTMixer：时间序列建模的频率和时域表示融合

    为了捕捉局部和全局依赖关系，我们在频域和时域中引入了频域与时域混合器 (FTMixer) 来表示时间序列数据，通过频率通道卷积模块 (FCC) 和窗口频率卷积模块 (WFC) 来分别捕捉全局和局部依赖关系。同时，采用独立通道方案混合时域和频域补丁以更好地捕捉局部依赖关系。通过七个真实世界的长期时间序列数据集的广泛实验结果表明，FTMixer 在预测性能和计算效率方面具有优势。

    May, 2024

  • 频域学习

    通过在频域进行学习和频道选择，我们提出了减少冗余和显著信息以提高图像分类精度的学习方法，得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。

    Feb, 2020

  • 多尺度低频记忆网络用于改进卷积神经网络中的特征提取

    使用 Multiscale Low-Frequency Memory (MLFM) 网络框架，通过有效地保存低频信息来提高卷积神经网络的性能。测试结果表明，MLFM 能够显著提高多种 2D CNNs 和语义分割网络在图像分类和图像翻译任务方面的准确性和效率。

    Mar, 2024

  • 在频域中高效地学习算子

    本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

    Nov, 2022

  • ATFNet：自适应时频集成网络用于长期时间序列预测

    ATFNet 框架是一种创新性的方法，结合了时间域模块和频率域模块，可以同时捕捉时间序列数据中的局部和全局依赖关系，并在长期时间序列预测方面超越了当前最先进的方法。

    Apr, 2024

  • 基于深度卷积学习辅助的带索引调制广义分频多路复用检测器

    本文提出了一种基于深度卷积神经网络的符号检测和解调技术，用于改进广义频分复用与索引调制方案 (GFDM-IM) 的误差表现。通过使用零强制 (ZF) 探测器和神经网络处理，有效防止神经网络卡在鞍点上，并提供了更好的误比特率性能，是未来无线网络的一个有前途的物理层 (PHY) 方案。

    Feb, 2022

  • 频域多层感知机在时间序列预测中的更高学习能效

    将 MLP 应用于频域的时间序列预测方法称为 FreTS，并在 13 个真实世界基准测试中展现出与现有方法相比的显著优势。

    Nov, 2023