小波变换+CNN ！完美结合再次登上顶会！

最新推荐文章于 2025-03-20 14:21:07 发布

AI科技探寻

最新推荐文章于 2025-03-20 14:21:07 发布

阅读量1.2k

点赞数 30

文章标签： cnn 深度学习人工智能机器学习神经网络

本文链接：https://blog.csdn.net/d22800/article/details/146060509

版权

小波卷积（Wavelet Convolution）是一种结合小波变换和卷积操作的技术，主要用于提升卷积神经网络（CNN）的性能。

我还整理出了相关的论文+开源代码，以下是精选部分论文

更多论文料可以关注：AI科技探寻，发送：111 领取更多[论文+开源码】

论文1

标题：

Wavelet Multiresolution Analysis Based Speech Emotion Recognition System Using 1D CNN LSTM Networks

小波特征提取：利用连续小波变换（CWT）提取语音信号的特征，选择与人类听觉相关的Morlet小波作为母小波，并在80 Hz到2000 Hz的频率范围内提取特征。
自编码器降维：使用自编码器对高维小波特征进行降维，减少特征维度的同时保留关键信息。

创新点：

小波特征的多分辨率优势：利用小波变换的多分辨率特性，能够同时在时间和频率域内提供良好的局部化，解决了传统FFT方法在时间和频率分辨率上的限制。
自编码器降维：通过自编码器对小波特征进行降维，有效解决了高维特征带来的过拟合问题，同时保留了特征的非线性特性。
性能提升：在RAVDESS数据集上，该方法实现了81.45%的未加权准确率（UA）和81.22%的加权准确率（WA），优于现有的基于MFCC、梅尔频谱等特征的方法。
模型鲁棒性：通过数据增强和自编码器降维，提高了模型对噪声的鲁棒性，使其在真实场景中更具实用性。

标题：

Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution

方法：

创新点：

小波系数预测：首次将单图像超分辨率问题转化为小波系数预测任务，为超分辨率问题提供了新的视角。
多尺度超分辨率：能够处理从16×16到128×128等不同分辨率的输入，并支持2×、4×、8×和16×等多种放大倍数。
性能提升：在CelebA和Helen数据集上，该方法在PSNR和SSIM指标上均优于现有的超分辨率方法，例如在16×16输入、8×放大倍数的情况下，PSNR达到26.61 dB，SSIM达到0.8949。
鲁棒性：对未知高斯模糊、姿态变化和遮挡具有一定的鲁棒性，能够生成高质量的人脸超分辨率图像。

标题：

改进的小波阈值去噪方法：提出了一种改进的小波阈值方法，用于去除表面肌电（sEMG）信号中的噪声，同时保留信号细节。
特征提取：从去噪后的sEMG信号中提取时域和频域特征，包括均方根（RMS）、积分肌电图（IEMG）、中值频率（MF）、平均功率频率（MPF）和带谱熵（BSE）。

创新点：

改进的小波阈值方法：提出的改进小波阈值方法在去噪效果上优于传统方法，信噪比（SNR）更高，均方根误差（RMSE）更小。
CNN-SVM分类性能提升：CNN-SVM模型在肌肉疲劳状态分类中表现出色，分类准确率比SVM、PSO-SVM和CNN分别提高了7.48%、7.33%和7.01%。
特征融合：通过结合传统时频域特征和带谱熵（BSE），进一步提高了肌肉疲劳分类的准确性。
鲁棒性提升：改进的小波阈值方法提高了分类算法对不同去噪算法的鲁棒性，平均准确率比半阈值算法提高了8.36%–11.35%，比新阈值算法提高了1.75%–5.51%。

标题：

Wavelet Convolutions for Large Receptive Fields

方法：

创新点：

性能提升：在图像分类任务中，WTConvNeXt-T模型的Top-1准确率比ConvNeXt-T提高了0.7%，同时参数数量仅增加了约3%。
鲁棒性增强：WTConv增强了CNN对图像干扰的鲁棒性，在ImageNet-C等基准测试中，WTConvNeXt模型的平均干扰误差比ConvNeXt降低了约1.5%。
形状偏差提升：WTConv使网络更倾向于基于形状而非纹理进行分类，形状偏差比例比ConvNeXt提高了8%–12%，更接近人类视觉感知方式。
有效感受野扩展：WTConv显著扩展了CNN的有效感受野，即使在使用较小卷积核的情况下，也能实现接近全局的感受野覆盖。