ТЕХНОЛОГИЯ ИЗОБРАЖЕНИЯ

Сеть вейвлет-рассеяния - только для начала!

Фильтры в полностью обученной сети напоминают вейвлеты.

Как его можно использовать в качестве автоматического экстрактора признаков для классификации?

В контексте Deep CNN - Фильтровать данные → Применить некоторую нелинейность → Пул / среднее результат (шаги повторяются для формирования слоев)

Проблемы / недостатки DCNN -

  • Требуются большие объемы данных и вычислительные ресурсы
  • Выбор гиперпараметров
  • Может быть сложно понять и интерпретировать извлеченные функции

Как рассеивание вейвлетов решает эти проблемы?

Фильтры в полностью обученной сети напоминают вейвлеты. Хотя веса фильтров изучаются в CNN, веса фильтров фиксируются в сети Wavelet Scattering Network.

i / p-сигнал усредняется с использованием функции рассеяния Wavelet LPF → слой 0

при дальнейшем усреднении высокочастотные характеристики теряются, детали, теряемые на уровне 0, затем фиксируются на следующем уровне путем выполнения непрерывного вейвлет-преобразования для получения набора «коэффициентов скалограммы». Затем модуль применяется к фильтру скалограммы, а затем o / p фильтруется с использованием Wavelet LPF, что дает дополнительный «коэффициент рассеяния» слоя 1.

Тот же процесс повторяется, и мы получаем «коэффициент рассеяния слоя 2». o / p из предыдущего слоя становится i / p для следующего слоя / уровня.

У нас может быть ›3 слоя в сети Wavelet Scattering Network, поскольку энергия рассеивается после каждой итерации, поэтому в основном трех слоев достаточно почти для всех приложений.

Чтобы снизить вычислительную сложность сети, коэфф. все субдискретизируются!

WSN на самом деле является глубокой сетью, поскольку он выполняет свертку, нелинейность, объединение, что составляет глубокую сеть.

Свертка - выполняется вейвлетами.

Свертка - это простое применение фильтра к входу, которое приводит к активации. Применение того же фильтра к входу приводит к созданию карты активаций, называемой картой функций, с указанием местоположения и силы обнаруженной функции на входе, такой как изображение.

Нелинейность - модуль оператора сервера как нелинейность

Пул - фильтрация с помощью вейвлетов LPF аналогична объединению.

Слои объединения уменьшают размеры данных за счет объединения выходных сигналов кластеров нейронов на одном уровне в один нейрон на следующем уровне. Средний пул использует среднее значение от каждого кластера нейронов на предыдущем уровне.

Сверточная сеть с глубоким рассеянием со сложными вейвлет-фильтрами по пространственным и угловым переменным, из нее можно извлекать надежные представления признаков в различных масштабах и углах без обучающих данных.

WSN имеет многослойную структуру, которая похожа на глубокую сверточную нейронную сеть (CNN). Каждый слой должен выполнять как линейные, так и нелинейные операции. Сверточная линейная операция предварительно определенных комплексных вейвлет-фильтров с входным сигналом сначала выполняется на каждом слое, а затем применяется модульная нелинейность к предыдущему результату вычисления. Наконец, локальное среднее вычисляется фильтром нижних частот. Сверточная сеть с вейвлет-рассеянием дает очень хорошие результаты классификации!

Он не требует обучения и отлично работает с небольшим объемом данных. Его основное вычисление - это свертка, что делает его быстрым и применимым к изображениям и одномерным сигналам, что на самом деле является преимуществом перед DCNN.

Этот и предыдущий посты в основном касались теоретического аспекта. В следующем посте я расскажу о базовом проекте по его применению, увидимся очень скоро!

Использованная литература-

Поделитесь своими мыслями о статье в разделе комментариев ниже, и если вы хотите связаться со мной, вот я - › Twitter , Linkedin или Instagram .