今天给大家推荐一个好发一区的新思路：频域+CNN！
近来，其更是取得了新突破！模型OECNN登顶Nature，速度狂飙320％倍；模型FADC，则被CVPR24收录，在多个语义分割和目标检测任务中，性能都远超SOTA……
主要在于：通过频域变换，可以把频域特征作为CNN的输入或处理步骤，从而增强模型对全局结构和周期性信息的捕捉；而CNN具有强大的局部信息提取能力。当两者相结合，便能提供更全面的特征信息，提升模型性能。此外，在频域上应用卷积操作，还能降低计算复杂度。
目前，其在图像去噪、图像分类、目标检测、声音识别等领域，都有广泛地应用，且效果出众，想发论文的伙伴，不要错过！为方便大家研究的进行，我给大家整理了13种前沿创新思路，源码也都梳理了，大多来自顶会顶刊！
扫描下方二维码，回复「FDCNN」
免费获取全部论文合集及项目代码
Frequency-Adaptive Dilated Convolution for Semantic Segmentation
内容：文章介绍了一种名为FADC的新型卷积方法，用于改善语义分割任务中的性能。FADC通过三种策略：自适应扩张率(AdaDR)、自适应核(AdaKern)和频率选择(FreqSelect)，从频谱分析的角度增强了扩张卷积的各个阶段。AdaDR根据局部频率分量动态调整扩张率，AdaKern调整卷积权重中低频和高频部分的比例，而FreqSelect通过空间变化的重加权平衡特征表示中的高低频成分。
Orchid: Flexible and Data-Dependent Convolution for Sequence Modeling
内容：文章介绍了Orchid，这是一种新型的序列建模方法，旨在解决注意力模型中的二次计算复杂度问题，同时不牺牲模型捕捉长距离依赖的能力。Orchid的核心是数据自适应卷积层，它使用一个条件神经网络根据输入数据动态调整其核，使模型在长序列长度上保持可扩展性和效率。Orchid不仅在多种场景下一致性地超越了传统的基于注意力的架构，而且还扩展了可行序列长度，超越了密集注意力层的限制，这标志着在追求更高效、可扩展的深度学习模型方面迈出了重要一步。
扫描下方二维码，回复「FDCNN」
免费获取全部论文合集及项目代码
ResDiff: Combining CNN and Diffusion Model for Image Super-resolution
内容：文章介绍了ResDiff，一种结合了卷积神经网络（CNN）和扩散概率模型（DPM）的新型单图像超分辨率（SISR）方法。ResDiff利用CNN恢复图像的主要低频内容，并使用DPM预测真实图像与CNN预测图像之间的残差，从而在加速生成过程的同时获得更优质的样本质量。此外，文章还引入了基于频域的CNN损失函数和频域引导的DPM，以促进高频细节的预测。广泛的实验表明，ResDiff在模型收敛时间、生成质量和样本多样性方面优于先前的基于扩散的方法。
Laplacian Convolutional Representation for Traffic Time Series Imputation
内容：文章提出了一种名为LCR的新型交通时间序列数据插补模型，该模型结合了循环矩阵的低秩性质和拉普拉斯核的时间正则化，以捕捉全局和局部趋势。LCR模型通过在频域中利用快速傅里叶变换（FFT）来快速求解，有效地处理了各种时间序列行为的插补问题，并在多个基准数据集上的实验结果证明了其优越性。此外，该研究还探讨了将LCR模型应用于图像修复任务的可能性。
扫描下方二维码，回复「FDCNN」
免费获取全部论文合集及项目代码
