小波变换+CNN完美融合，准确率飙升！最新研究荣登CV顶会！

已于 2024-11-25 17:32:38 修改
阅读量1.8k 收藏 14
点赞数 11
文章标签： 深度学习 前沿论文 论文解析 cnn 小波变换
于 2024-11-25 17:30:52 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/AIzhijie001/article/details/144032832
版权

2024深度学习发论文&模型涨点之——小波变换+CNN

小波变换结合CNN能够提供更丰富的特征提取能力。小波变换擅长捕捉信号的时频特征，而CNN在处理图像等二维数据方面表现出色。两者结合的小波散射卷积神经网络（WSCNN）在处理复杂信号和图像时，能够提供更高的准确性和鲁棒性。这种结合可以增强CNN在频域分析的能力，使其能够利用在传统CNN中大部分丢失的频域信息，这对于大多数图像处理任务是非常有用的。

小波变换与CNN的结合在多个领域展现出了优异的性能。在图像分类、目标检测和人脸识别等任务中，这种结合可以更好地提取图像中的特征，并对不同尺度和方向的边缘、纹理等细节信息进行有效处理。此外，小波散射卷积神经网络还可以应用于自然语言处理、化学分子结构预测等领域，有效地提取和处理具有复杂时频特性和结构的数据。实验结果表明，与常规CNN相比，小波CNN在纹理分类和图像注释任务中能够实现更好的准确性，同时具有更少的参数，这使得模型更容易训练，更不容易过拟合，并且消耗的内存更少。

如果有同学想发表相关论文，小编整理了一些小波变换+CNN【论文代码】合集，以下放出部分，全部论文PDF版，需要的同学公重号【AI科研灵感】回复“小波变换+CNN”即可全部领取

论文精选

论文1：

An Intelligent Bearing Fault Diagnosis Framework: One Dimensional Improved Self Attention-enhanced CNN and Empirical Wavelet Transform

智能轴承故障诊断框架：一维改进自注意力增强CNN和经验小波变换

方法

  • 经验小波变换（EWT）：使用EWT算法将原始信号分解为三个频率分量，进一步提取多频率分量以增强信号特征。

  • 一维改进自注意力增强卷积神经网络（1D-ISACNN）：利用新开发注意力机制的优势和优化的元激活连接函数进行特征学习，以更好地捕获和映射信号中的关键信息。

  • 标签平滑正则化（LSR）：设计作为1D-ISACNN的损失函数，考虑了训练样本中正确标记位置的损失以及其他错误标记位置的损失。

  • 自适应矩投影估计（AdamP）：设计用于更新模型参数的更稳健的梯度更新策略。

图片

创新点

  • 多频率特征提取：通过EWT算法分解原始信号，增强了信号的多频率特征，提高了信号特性的提取能力。

  • 注意力机制与元激活函数：在1D-ISACNN中结合了新开发的注意力机制和优化的元激活连接函数，提高了模型对关键信息的捕获和映射能力。

  • 标签平滑正则化：在损失函数中考虑了所有可能的错误标记位置的损失，提高了模型的泛化能力和鲁棒性。

  • 自适应矩投影估计：提出了一种新的梯度更新策略，提高了模型参数更新的鲁棒性，特别是在处理高稀疏梯度时。

图片

论文2：

Detection of Arrhythmia Heartbeats from ECG Signal Using Wavelet Transform-Based CNN Model

基于小波变换的CNN模型检测心电图信号中的心律失常心跳

方法

  • 小波自适应阈值去噪：使用小波变换方法对ECG信号进行预处理去噪。

  • 深度一维卷积神经网络（1D CNN）：引入了一个高效的12层深度1D CNN用于特征提取。

  • SoftMax和机器学习分类器：应用SoftMax和机器学习分类器对心跳进行分类。

图片

创新点

  • 深度学习模型的简化：提出了一个简单但有效的深度学习模型，用于远程心脏诊断，可实施于电子健康设备。

  • 高准确率：该方法达到了平均99.40%的准确率，98.78%的精确度，98.78%的召回率和98.74%的F1分数，显示出优于现有模型的性能。

  • 自动化ECG信号分类：模型能够自动将ECG心跳分类为五个微类，无需额外的系统进行特征提取、特征选择或分类。

  • 实时监测和疾病发作识别：由于计算成本较低，所提出的CNN模型可用于对长期ECG数据进行分类，并实时识别疾病发作。

图片

论文3：

Discrete Wavelet Transform for CNN-BiLSTM-based Violence Detection

中文翻译：基于离散小波变换的CNN-BiLSTM暴力检测

方法

  • 离散小波变换（DWT）：使用Haar小波对视频帧进行一级DWT，提取对角线特征，用于后续的序列构建。

  • 卷积神经网络（CNN）：在DWT的基础上，使用CNN提取每一帧中的关键、高质量特征。

  • 双向长短期记忆网络（BiLSTM）：利用BiLSTM架构比较当前帧与前后帧的信息，识别事件的顺序流。

  • 二元分类器：基于时空特征对动作进行分类。

图片

创新点

  • DWT-CNN-BiLSTM架构：结合了DWT的空间特征提取和BiLSTM的时间特征分析，提高了暴力行为检测的准确性。

  • 实时自动化检测：该方法与监控摄像头系统集成，可实现实时自动化的犯罪活动检测。

  • 高分类准确率：在常用的Hockey数据集上，提出的方案达到了94.06%的分类准确率。

  • 计算效率：通过仅使用视频帧的结构部分（即对角线特征），而不是将整个帧序列传递给神经网络，提高了方法的时间效率。

图片

论文4：

ECG Classification Using Deep CNN Improved by Wavelet Transform

利用小波变换改进的深度CNN心电图分类

方法

  • 小波变换：使用小波函数将ECG信号分解为不同频率尺度的9种子信号，并通过小波重建消除噪声影响。

  • 深度卷积神经网络（DCNN）：使用24层CNN通过不同大小的卷积核提取层次特征。

  • softmax分类器：最终使用softmax分类器对ECG信号进行分类。

图片

创新点

  • 小波变换预处理：通过小波变换对ECG信号进行预处理，有效消除了噪声干扰。

  • 深层CNN特征提取：设计了24层CNN以提取ECG信号的多层次特征，提高了模型的分类性能。

  • 优化算法：使用RAdam优化器解决了收敛到局部解的问题，确保了快速收敛且不轻易陷入局部最优解。

  • 高准确率和F1分数：在2017年PhysioNet/CINC挑战提供的ECG数据集上，该方法获得了87.1%的准确率和86.46%的F1分数，显示出比现有分类方法更高的准确性和泛化能力。

图片

如果有同学想发表相关论文，小编整理了一些小波变换+CNN【论文】合集。

需要的同学公重号【AI科研灵感】回复“小波变换+CNN”即可全部领取

【七.三维视觉与视频分析】【3.动作识别：3D CNN/TSN】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
03-17 71
想让AI看懂《复仇者联盟》的打斗场面？空间+时间=三维视觉土豪选3D CNN，平民用TSN数据预处理比模型更重要下次再看到广场舞大妈，系统会准确识别出这是"中国式健身"而不是群体事件——这才是科技应有的温度。
《揭秘Mask R-CNN：开启智能视觉新征程》：此文为AI自动生成
zheng_ruiguo的专栏
12-28 933
在计算机视觉领域的漫漫征途中，目标检测与分割技术一直是研究者们攻坚的重要堡垒。早期，传统的目标检测方法如基于滑动窗口的策略，需在图像的不同位置、尺度和长宽比上逐一尝试，计算量庞大且效果欠佳，难以应对复杂场景下形态各异、大小不一的目标。语义分割虽致力于像素级分类，却只能区分不同类别，对于同一类别的不同个体实例无法精准辨别，像自动驾驶场景中，仅靠语义分割，重叠的车辆会被误判为一个整体，无法满足实际需求。2017 年，Mask R-CNN 宛如一颗璀璨新星横空出世。
小波变换原理及应用
08-10
小波变换原理及应用，wavelet transform theory and engineering application,信息与工程学院授课PPT.
小波变换+CNN，如此逆天 准确率直逼100%！
Malaai的博客
03-13 1039
小波变换，作为非平稳信号处理的得力工具，凭借时频局部化与多分辨率分析特性，打破傅里叶变换全局频域局限，能精准提取信号特征。卷积神经网络（CNN）则在计算机视觉领域大放异彩，其层次化特征提取和端到端学习能力备受瞩目。当下，研究者把目光投向的深度融合。通过构建基于小波基函数的可学习卷积核，成功将数学理论与深度学习框架结合。。它为建立具物理意义的深度学习模型开拓新径，在高频细节保留、边缘特征增强等任务中独具价值，为新一代可解释性人工智能系统筑牢理论根基。,~也欢迎分享给身边的朋友！
创新融合！小波变换+注意力机制，准确率达到了98.73%
2501_91057708的博客
04-08 1068
当下，的研究热度爆棚，在多个领域掀起创新浪潮。这里我为大家带来两篇前沿论文的精彩解读。《An intelligent bearing fault diagnosis framework: one - dimensional improved self - attention - enhanced CNN and empirical wavelet transform》打造出创新的轴承故障诊断框架。它创新性地融合经验小波变换（EWT）与一维改进自注意力增强卷积神经网络（1D - ISACNN）。
小波变换+CNN再突破！创新改进方案盘点!
Aimoxin111的博客
02-27 1024
性能提升：在ImageNet-1K分类任务中，WTConvNeXt在保持参数数量较少的情况下，Top-1准确率达到了81.7%，相比ConvNeXt-T提升了0.7%。性能提升：在FFHQ、CelebA和LSUN数据集上，基于小波包的分类器准确率达到了99.75%和99.43%，显著优于仅使用像素或傅里叶变换的方法。参数复杂度降低：通过分离特征转换和图卷积，大幅减少了模型参数数量，缓解了过拟合问题，提升了模型在半监督学习中的性能。
小波变换+CNN堪称完美的组合！
最新发布
Aimoxin111的博客
05-07 697
近年来，小波变换（Wavelet Transform）与卷积神经网络（CNN）的交叉研究已成为多模态特征学习的重要范式。小波变换通过时-频局部化分析克服了傅里叶变换在非平稳信号处理中的局限性，其多分辨率特性（Mallat, 1989）与CNN的层次化特征提取机制具有天然的拓扑相容性。小编整理了一些小波变换+CNN【合集，以下放出部分，全部论文PDF版皆可领取。Wavelet-SRNet：一种用于多尺度人脸超分辨率的基于小波的卷积神经网络。
天选思路怎能不会！小波变换+CNN完美融合，最新idea发了CV顶会！
学姐带你玩AI的博客
09-30 3649
这俩热点的结合可以轻松实现“1+1＞2”的效果。这是因为，一方面小波变换可以作为预处理步骤，提取出关键的局部特征，加速CNN收敛并提升性能；另一方面，CNN可以进一步处理小波变换提取的特征，提取高级抽象表示，用于后续的分类、识别或回归任务。因此，特别是在信号处理和图像处理等任务中，效果炸裂好，比如ECCV 2024的WTConv，一种基于小波变换的新型卷积，实现小参数大感受野，显著提升了网络性能。目前这个方向，想发论文的同学可以考虑，我这边也整理了，代码基本都有，方便大家复现找灵感。
准确率飙升！小波变换+CNN完美融合，最新研究荣登CV顶会！
AIzhijie001的博客
11-12 2009
小波变换+CNN为图像处理和计算机视觉任务提供了一种新的、高效的解决方案，能够在保持参数效率的同时提高模型的性能和鲁棒性。通过将信号分解为不同尺度或频率的多个分量，每个分量包含特定尺度或频率范围内的特征信息，从而更好地理解和分析信号的局部结构和动态属性。通过考虑训练样本中所有可能的错误标记位置的损失，而不仅仅是正确标记位置的损失，减少了模型过拟合的风险，并提高了模型的泛化能力。模型不仅学习当前帧与过去帧的信息，还学习与未来帧的信息，增强了对事件顺序的理解。
可真哇塞！小波变换与CNN结合，轻松斩获CVPR！
2401_88190197的博客
11-26 797
而且发的区位都不错，顶会就有多篇！像是CVPR24上运行时间直降60％的MLWNet；ECCV24上低参数、高性能的WTConv……这是因为，小波变换能精准地捕捉信号的时频特征，而CNN则擅长从复杂数据中提炼出高级特征。两者优势互补，从而使模型更全面、准确地理解数据。且小波变换作为预处理手段，还能加速CNN的训练过程，节约训练时间。目前，该思路在图像处理、计算机视觉、医学图像分析、ECG信号分类等领域，都展现了显著优势。可见其研究价值，非常推荐想发论文的伙伴关注！
神思路：小波变换+CNN！最新idea躺进顶会！
d22800的博客
02-23 1150
实验表明，即使在只有少量短时训练样本的情况下，提出的混合架构也能成功执行有效的特征提取，相对改进了约20%（Librispeech数据集上，相比于CNN-raw和SincNet）。：在16×16或更小像素尺寸的非常低分辨率人脸图像上实现了高达16倍的放大，且在定量和定性上都优于现有的超分辨率方法。：小波变换的应用揭示了在处理不平等类分布时，CNN模型的局限性，为未来的空气质量预测系统提供了改进的方向。：小波散射变换减少了CNN第一层的不稳定性，并扩展了MFCC表示，没有丢失信息，提供了更丰富的特征表示。
探索小波时频图与CNN卷积分类算法在技术领域的应用与优势，小波时频图与CNN卷积分类：技术交叉与应用挖掘
etISpDnAmKX的博客
06-09 1146
小波时频图是一种能够同时展现时间和频率信息的图像表示方法，它通过将信号分解为不同频率的小波分量，并在时间轴上对其进行重构，从而获得了时频信息的更全面描述。CNN卷积分类是一种基于卷积神经网络的图像分类算法，它通过多层卷积和池化操作，提取图像的特征信息，并通过全连接层和Softmax函数实现对不同类别的图像进行分类。CNN卷积分类是一种基于卷积神经网络的图像分类算法，它通过多层卷积和池化操作，提取图像的特征信息，并通过全连接层和Softmax函数实现对不同类别的图像进行分类。
【模型选择】：选对模型，水体提取准确率飙升的秘诀
[【模型选择】：选对模型，水体提取准确率飙升的秘诀](https://img-blog.csdnimg.cn/img_convert/a83d49e9422e84a7843644ab9a56e5aa.png) # 摘要 本文系统地介绍了模型选择的基本概念、理论基础、实践方法、特定...
WaveletCNN:小波CNN，纹理分类，Keras，Tensorflow
05-08
小波神经网络 实施 使用keras深度学习框架。 我使用本文进行本科研究。 数据集 本文使用的数据集不是开放的，因此我使用cat vs dog数据集来测试WaveletCNN的实现 要求 Python 3+ Tensorflow> = 1.12 凯拉斯2.2.4 Matplotlib 参考
NLP高频面试题（三十一）——多模态预训练模型的主要结构、特征对齐与融合方法及对比损失函数详解
WeLearnNLP
04-02 2200
多模态预训练模型通过创新的架构设计和训练策略，在跨模态理解和表示学习上取得了显著进展。从单塔到双塔，从编码器-解码器混合到图结构模型，研究者们探索了不同的模态融合途径；配合显式与隐式对齐手段以及有效的对比学习损失，当前的多模态模型已经能够在图文检索、视觉问答、图像描述生成等任务上接近甚至超越专门的有监督模型。可以说，多模态预训练成为了继NLP和CV单模态预训练之后的又一个AI热点领域。模型规模与泛化：与单模态的大型预训练模型类似，多模态模型的参数规模和训练数据规模在迅速增长。
无需开颅！瘫痪患者也能控制数字设备、分割一切模型开源、最强开源文生图模型问世 | AI视界周刊第 3 期
战场小包的博客
08-05 3303
AI 视界周刊由战场小包维护，每周一更新，包含热点聚焦、应用破局、学术前沿、社区热议、智见交锋、跨界 AI、企业动态和争议 AI 八大板块，后续板块划分和内容撰写在周刊迭代过程中持续优化，欢迎大家提出建议。
保姆级教程之连续小波变换-CNN，ResNet，CNN-SVM，CNN-BiGRU，CNN-LSTM的故障诊断，MATLAB代码...
woaipythonmeme的博客
03-18 1979
本次为大家带来：采用连续小波变换时频图作为故障特征提取的手段，并构建多种机器学习诊断方法，可以自行搭配。包含的有：CWT-CNN，CNN-SVM，CWT-ResNet，CWT-CNNBiGRU，CWT-CNNLSTM。内容简介①对官方下载的西储大学数据进行处理。处理的方法参考往期文章：西储大学轴承诊断数据处理，matlab免费代码获取；②通过连续小波变换 （Continuous Wavelet T...
又登Nature！小波变换+注意力机制 取得革命性进展
2401_88556812的博客
12-03 2143
注意力机制被用来增强模型对输入数据中某些部分的关注度，从而提高模型的性能和解释性。通过在小波域中同时处理内容增强、城市风格解耦和雾风格解耦，显著提高了模型对未见过的雾场景的泛化能力，性能提升具体表现为在 Foggy Zurich 数据集上提高了11.8% mIoU，在 ACDC-fog 数据集上提高了16.7% mIoU。通过在小波域中同时利用注意力和流的优势，实现了更好的特征融合，从而在DeepFashion数据集上实现了新的最先进性能，具体表现为FID和LPIPS分别提高了4.97%和3.89%。
图像视频降噪的现在与未来——从经典方法到深度学习
LiveVideoStack
01-02 4787
Photo byJason RosewellonUnsplash噪声是图像与视频中的一种常见失真类型，也是腾讯多媒体实验室以及腾讯云提供的多种失真处理能力之一。本分享总结了噪声产生...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值