.png){kind=icon}
返回
A phase preserving dual tree complex wavelet convolutional neural network framework for texture classification
.png){kind=icon}
OA
AI
DOI：10.1016/j.rineng.2026.109643.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 该框架将Dual-Tree Complex Wavelet Transform (DTCWT)与Complex-Valued CNNs相结合，相比传统DWT仅有的3个方向，提供了6个方向性取向，同时保留了关键的相位信息以实现更优的纹理区分。
• 仅使用0.23百万个参数即可达到有竞争力的分类准确率（KTH-TIPS2b上为73.22%，DTD上为34.3%），相比需要10.21百万个参数的现有WCNN方法，参数量减少了97.7%。
• 通过复数算术运算在整个特征提取流程中同时维护幅度和相位信息，使网络能够捕捉更丰富的纹理表征，这些表征在实值方法中通常会被丢失。
Keyword:
Texture classification
Wavelet CNN
Complex-Valued CNN
DTCWT
Multiscale analysis
Phase information
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.9
论文数:
1.2W
被引数:
1.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏 没有更多内容
没有更多内容