Resumen

La clasificación de texturas juega un papel importante en varias tareas de visión por computadora. Dependiendo de la potente capacidad de extracción de características, los métodos de clasificación de texturas basados en redes neuronales convolucionales (CNN) han atraído una atención extensa. Sin embargo, todavía existen muchos desafíos, como la extracción de características de textura de múltiples niveles y la exploración de relaciones multidireccionales. Para abordar el problema, este artículo propone la red de cápsulas de atención tensorial de onda comprimida (CWTACapsNet), que integra la descomposición de wavelets multiescala, bloques de atención tensorial y técnicas de cuantificación en el marco de la red neuronal de cápsulas. Específicamente, la descomposición de wavelets de múltiples niveles se encarga de extraer características espectrales multiescala en el dominio de frecuencia; además, los bloques de atención tensorial exploran las dependencias multidimensionales de los canales de características convolucionales, y las técnicas de cuantificación hacen

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Clasificación de texturas; Red neuronal convolucional; Descomposición wavelet; Bloques de atención tensorial; Técnicas de cuantificación; Cálculo de bordes
• Keywords:Texture classification; Convolutional neural network; Wavelet decomposition; Tensor attention blocks; Quantization techniques; Edge computing