基于离散小波变换的双域特征融合深度卷积神经网络

池化操作是深度卷积神经网络的重要组成部分,也是深度卷积神经网络成功的关键因素之一.然而,在图像识别过程中,传统直接的池化操作会损失特征信息,影响识别的准确率.针对池化操作的特征信息损失问题,提出了基于离散小波变换的双域特征融合模块,以克服直接使用池化操作的缺点.该模块同时考虑了空域和通道域的双域特征融合,将池化操作嵌入在空域特征融合模块与通道域融合模块之间,有效地抑制了直接使用池化操作带来的特征信息损失.通过替换已有的池化操作,新的双域特征融合模块可以非常容易地嵌入到目前流行的深度神经网络架构中.针对图像分类问题,采用VGG,ResNet以及DenseNet等主流网络架构,在CIFAR-10,CIFAR-100,Mini-Imagenet等数据集上进行了一系列实验.实验结果表明,相比经典网络、流行的基于嵌入注意力机制网络和最新基于小波的深度卷积神经网络,所提方法可以获得更高的分类准确率.