【Block总结】HWD，小波下采样，适用分类、分割、目标检测等任务|即插即用

论文信息

Haar wavelet downsampling (HWD) 是一项针对语义分割的创新模块，旨在通过减少特征图的空间分辨率来提高深度卷积神经网络（DCNNs）的性能。该论文的主要贡献在于提出了一种新的下采样方法，能够在下采样阶段有效地减少信息损失。论文的详细信息如下：

• 标题: Haar Wavelet Downsampling: A Simple but Effective Downsampling Module for Semantic Segmentation
• 作者: Guoping Xu, Wentao Liao, Xuan Zhang, Chang Li, Xinwei He, Xinglong Wu
• 发表年份: 2023
• 期刊: Pattern Recognition
• DOI: 10.1016/j.patcog.2023.109819

创新点

HWD 模块的核心创新在于：

• 信息保留: 通过使用 Haar 小波变换，HWD 能够在下采样过程中最大限度地保留信息，避免传统下采样方法中常见的信息损失。
• 特征熵指数: 论文中提出了一种新的度量标准，称为特征熵指数（Feature Entropy Index, FEI），用于评估下采样特征图与预测结果之间的信息不确定性。
• 易于集成: HWD 模块可以直接替代现有的池化层或带步幅的卷积层，而不会显著增加计算开销。

方法

HWD 模块的实现方法包括以下几个步骤：

1. Haar 小波变换: 该模块利用 Haar 小波变换对特征图进行下采样，降低空间分辨率的同时保留重要信息。
2. 特征图编码: 在下采样过程中，部分空间信息被编码到通道维度，以便后续的卷积层能够提取判别性特征。
3. 集成到 CNN 中: HWD 模块可以无缝集成到现有的卷积神经网络架构中，增强其语义分割能力。

HWD模块与传统下采样方法相比有哪些优势？

Haar Wavelet Downsampling (HWD) 模块相较于传统下采样方法（如最大池化和步幅卷积）具有多项显著优势：

优势

1. 信息保留能力:
   • HWD 模块通过 Haar 小波变换进行下采样，能够在降低特征图的空间分辨率时最大限度地保留重要信息。这种方法有效减少了传统下采样过程中常见的信息损失，尤其是在语义分割任务中，保持空间信息对于像素级预测至关重要[2][5]。
2. 特征熵指数（FEI）:
   • HWD 引入了一种新的度量标准，称为特征熵指数（Feature Entropy Index, FEI），用于评估下采样后特征图与预测结果之间的信息不确定性。FEI 可以帮助量化下采样方法在保留关键信息方面的能力，从而为模型的性能提供更深入的理解[2][5]。
3. 计算开销低:
   • HWD 模块可以直接替代现有的池化层或带步幅的卷积层，而不会显著增加计算开销。这使得 HWD 易于集成到现有的卷积神经网络架构中，提升了模型的灵活性和适应性[2][3][5]。
4. 广泛的适用性:
   • 实验表明，HWD 模块在不同模态的图像数据集和多种 CNN 架构中均能有效提高分割性能。这种广泛的适用性使得 HWD 成为一种通用的下采样解决方案，适合多种应用场景[4][6]。
5. 减少信息不确定性:
   • HWD 模块在下采样过程中有效减少了信息不确定性，相比传统方法，能够更好地保留特征的判别性，从而提升模型的整体表现[5][6]。

效果与实验结果

论文通过一系列综合实验验证了 HWD 模块的有效性，结果显示：

• HWD 模块在与七种最先进的分割方法进行比较时，表现出更优的性能。
• 实验结果表明，HWD 在保持高精度的同时，显著减少了信息损失，提升了模型的整体表现。

总结

Haar wavelet downsampling 模块为语义分割任务提供了一种简单而有效的下采样解决方案。通过引入 Haar 小波变换，该模块不仅提高了信息保留能力，还通过特征熵指数的引入，为特征重要性评估提供了新的视角。综合实验结果表明，HWD 模块在多种语义分割任务中均表现出色，具有广泛的应用潜力。

代码

from pytorch_wavelets import DWTForward
import torch
from torch import nn
class HWD(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(HWD, self).__init__()
        self.wt = DWTForward(J=1, mode='zero', wave='haar')
        self.conv_bn_relu = nn.Sequential(
            nn.Conv2d(in_ch * 4, out_ch, kernel_size=1, stride=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True),
        )

    def forward(self, x):
        yL, yH = self.wt(x)
        y_HL = yH[0][:, :, 0, ::]
        y_LH = yH[0][:, :, 1, ::]
        y_HH = yH[0][:, :, 2, ::]
        x = torch.cat([yL, y_HL, y_LH, y_HH], dim=1)
        x = self.conv_bn_relu(x)
        return x




if __name__ == "__main__":
    # 如果GPU可用，将模块移动到 GPU
    device = torch.device("cuda"if torch.cuda.is_available() else"cpu")
    # 输入张量 (batch_size, height, width,channels)
    x = torch.randn(1,32,40,40).to(device)
    # 初始化 HWD 模块
    dim=32
    block = HWD(dim,dim)
    print(block)
    block = block.to(device)
    # 前向传播
    output = block(x)
    print("输入:", x.shape)
    print("输出:", output.shape)

案例应用

https://blog.csdn.net/m0_47867638/article/details/136746343

https://blog.csdn.net/m0_47867638/article/details/136861536