当前位置：首页 > news >正文

频域+卷积神经网络：好发又实用的论文黄金组合！轻松冲CVPR

news 2026/8/4 7:41:54

小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

-------正文开始--------

今天分享一个投入产出比很高的方向：频域+CNN。它既保留了CNN强大的局部特征提取能力，又利用频域信息增强了抗噪性与全局感知能力。

对于想要快速出成果的朋友来说，频域+CNN也是目前性价比最高的方向之一，实验成功率高，性能涨点猛，如果手头有信号类数据，小修小改即可产出。当然，如果想冲顶会顶刊也不难，可以尝试结合自适应频域选择、可学习滤波器、频域注意力等。

从CVPR等顶会录用情况来看，这方向的热度不出所料正持续走高，如果感兴趣，现在正是窗口期。为了帮助你快速上手，我给大家提供更多的发文思路和方向，大家扫码获取！！！

Fine-Grained Indoor-Outdoor Scene Recognition: Leveraging Spatio-Temporal Characteristics from Multimodal Sensors via CNN-ViT-TabTransformer Fusion

研究方法：论文提出融合频域特征的CNN‑ViT‑TabTransformer方法，用CNN提取传感器时域局部特征、ViT处理短时傅里叶变换得到的频域特征，再经TabTransformer融合多模态时空特征实现细粒度场景识别。

创新点：

构建智能手机多传感器协同采集机制，实现GNSS、IMU、气压、光照等多源数据高频同步采集，为细粒度场景识别提供丰富数据支撑。
提出融合时间插值同步与时频域分析的多模态时空特征提取策略，比传统单一时序特征提取更全面捕捉场景动态变化与空间关联。
设计CNN-ViT-TabTransformer融合网络，结合CNN局部特征提取、ViT全局依赖建模与TabTransformer结构化数据处理优势，显著提升复杂场景识别精度与泛化能力。
研究价值：研究基于手机多源传感器与CNN‑ViT‑TabTransformer融合网络，实现高精度室内外细粒度场景识别，有效提升复杂环境下识别鲁棒性与泛化能力，为智能导航、应急救援、智慧出行等场景提供关键技术支撑。
Haar-initialized parametric wavelet compression with attention-driven lightweight CNN for brain tumor classification on edge devices
研究方法：论文先通过Haar初始化的参数小波变换（PWT）对脑部MRI进行频域压缩与特征提取，再将频域特征输入轻量化CNN提取局部特征，结合自注意力增强判别性，实现边缘端高效脑肿瘤分类。
创新点：
采用Haar初始化的参数小波变换（PWT）对脑部MRI进行频域分解与自适应压缩，在保留关键诊断特征的同时降低数据冗余。
设计融合自注意力机制的轻量化CNN，可从频域特征中同时提取局部细节与全局上下文，提升肿瘤分类的判别能力。
构建轻量低功耗模型并成功部署于树莓派5，实现边缘端实时、可解释的脑肿瘤MRI分类，适配资源受限医疗场景。
研究价值：研究面向边缘医疗场景，提出Haar 参数小波频域压缩+轻量化CNN-自注意力的脑肿瘤 MRI 分类方法，在保持高分类精度的同时大幅降低算力与内存占用，可在树莓派 5 上实现实时、可解释的智能诊断，为资源受限的基层医疗、便携影像筛查与床旁快速检测提供了轻量化、高可靠的 AI 落地方案。