2025深度学习发论文&模型涨点之——小波卷积
小波卷积通过先将输入信号或图像进行小波分解，得到不同尺度的子带信号，然后在每个子带信号上应用卷积操作来提取局部特征，最后通过逆小波变换将经过卷积处理的子带信号重构为最终的输出信号或图像。这种结合方式使得小波卷积能够更好地处理复杂信号的多尺度特征，例如在图像的边缘检测、纹理分析以及语音信号的特征提取等任务中表现出色。
我整理了一些小波卷积【论文+代码】合集
论文精选
论文1：
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搏
方法
小波变换去噪：使用小波变换对心电图（ECG）信号进行去噪处理，去除信号中的高频噪声成分。
12层深度1D CNN模型：构建了一个12层的深度1D卷积神经网络（CNN）模型，用于从ECG信号中提取特征。
SoftMax分类器：利用SoftMax分类器对提取的特征进行分类，识别不同类型的心律失常心搏。
数据预处理与平衡：对数据进行预处理，包括Z-score标准化和数据分割，并通过重采样方法平衡不同类别的心搏数据。
创新点
小波变换去噪：通过小波变换有效去除了ECG信号中的噪声，显著提高了信号质量，为后续特征提取提供了更清晰的信号基础。
深度1D CNN模型：提出的12层深度1D CNN模型在心律失常分类中表现出色，平均准确率达到99.40%，精度达到98.78%，召回率达到98.78%，F1分数达到98.74%，明显优于现有方法。
数据平衡处理：通过数据平衡处理，解决了心律失常心搏数据类别不平衡的问题，进一步提高了模型的分类性能。
论文2：
ECG Classification Using Deep CNN Improved by Wavelet Transform
利用小波变换改进的深度CNN进行心电图分类
方法
小波变换分解：使用小波变换将ECG信号分解为9种不同频率尺度的子信号。
24层深度CNN：构建了一个24层的深度卷积神经网络（CNN），用于提取信号的层次特征。
SoftMax分类器：利用SoftMax分类器对提取的特征进行分类，识别不同类型的ECG信号。
数据预处理：对ECG信号进行预处理，包括去噪和归一化处理，以提高信号质量。
创新点
小波变换分解：通过小波变换有效去除了ECG信号中的噪声，显著提高了信号质量，为后续特征提取提供了更清晰的信号基础。
深度CNN模型：提出的24层深度CNN模型在心电图分类中表现出色，准确率达到87.1%，F1分数达到86.52%，明显优于现有方法。
数据预处理：通过数据预处理，解决了ECG信号中噪声干扰的问题，进一步提高了模型的分类性能。
论文3：
Facial Expression Recognition Based on Gabor Wavelet Transform and 2-channel CNN
基于Gabor小波变换和2通道CNN的面部表情识别
方法
预处理：对表情图像进行预处理，包括面部定位、裁剪、直方图均衡化等。
关键帧提取：通过频谱分析提取关键帧序列，减少数据量。
Gabor小波变换：对表情图像进行Gabor小波变换，提取幅度和相位特征。
2通道CNN：设计了一个2通道卷积神经网络（CNN），分别对幅度和相位特征进行训练和分类。
创新点
关键帧提取：提出了一种基于频谱分析的关键帧提取方法，显著减少了数据量，提高了算法运行效率。
Gabor小波变换：同时提取了Gabor小波变换的幅度和相位特征，使提取的特征更加全面。
2通道CNN：设计的2通道CNN结构简单，避免了信息丢失，提高了分类准确率，实验在CK+数据库上达到了**96.81%**的准确率。
