小波变换+CNN完美融合，准确率飙升！最新研究荣登CV顶会！

小波变换+CNN完美融合，准确率飙升！最新研究荣登CV顶会！

引用

CSDN

1.

https://m.blog.csdn.net/AIzhijie001/article/details/144032832

小波变换与卷积神经网络（CNN）的结合在深度学习领域展现出强大的潜力。这种技术组合能够提供更丰富的特征提取能力，特别是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。本文将介绍几个最新的研究案例，展示这种技术组合在不同领域的应用及其创新点。

小波变换与CNN的结合优势

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。

智能轴承故障诊断框架

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。

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。

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。

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。

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。

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。

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。

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。