파라메트릭 산란 네트워크

웨이블릿 산란 변환은 기하학적 불변량과 변형 안정성을 생성합니다. 여러 신호 영역에서 이 변환이 다른 비학습 표현보다 더 차별화된 표현을 제공하며, 특히 제한된 라벨 데이터와 고도로 구조화된 신호에서 학습된 표현을 능가하는 것으로 나타났습니다. 산란 변환에서 사용되는 웨이블릿 필터는 일반적으로 매개변수화된 모 웨이블릿을 통해 조밀한 프레임을 생성하기 위해 선택됩니다. 본 연구에서는 이러한 표준 웨이블릿 필터뱅크 구성이 최적인지 조사하였습니다. 모렐트 웨이블릿에 초점을 맞추어, 필터의 크기, 방향, 및 측면비를 학습하여 문제 특유의 산란 변환 매개변수화를 생성하는 방법을 제안합니다. 우리는 우리의 학습된 산란 변환 버전이 표준 산란 변환보다 소규모 샘플 분류 설정에서 상당한 성능 향상을 가져오는 것을 보여주었습니다. 또한 우리의 경험적 결과는 산란 변환이 효과적인 표현을 추출하기 위해서 항상 전통적인 필터뱅크 구성을 필요로 하지 않을 수 있음을 시사하고 있습니다.