卷积一直是现代深层神经网络的核心运作。众所周知，可以在傅立叶变换域中实现卷积。在本文中，我们建议使用二进制块WALSH-HATAMARD变换（WHT）而不是傅里叶变换。我们使用基于WHT的二进制层来替换深度神经网络中的一些常规卷积层。我们本文利用了一维（1-D）和二维（2-D）二进制WHT。在两个1-D和2-D层中，我们计算输入特征图的二进制WHT，并使用非线性去噪该WHT域系数，该非线性通过将软阈值与TanH函数组合而获得的非线性。在去噪后，我们计算反相WHT。我们使用1d-wht来取代$ 1 \ times 1 $卷积层，2d-wht层可以取代3 $ \ times $ 3卷积层和挤压和激发层。具有可培训重量的2D-WHT层也可以在全局平均池（间隙）层之前插入以辅助致密层。通过这种方式，我们可以显着降低可训练参数的衡量参数的数量。在本文中，我们将WHT层实施到MobileNet-V2，MobileNet-V3大，并重新阅读，以显着降低参数的数量，以可忽略不计的精度损失。此外，根据我们的速度测试，2D-FWWHT层的运行大约是常规3美元3美元3美元的速度大约为19.51次较少的RAM使用率在NVIDIA Jetson Nano实验中的使用率。
translated by 谷歌翻译
低计数正电子发射断层扫描（PET）数据的图像重建是具有挑战性的。内核方法通过在迭代宠物图像重建的前向模型中结合图像先前信息来解决挑战。已经开发出并证明了内核预期的最大化（KEM）算法是有效且易于实施的。进一步改进内核方法的常见方法是添加明确的正则化，但是导致复杂的优化问题。在本文中，我们通过使用深度系数来提出内核方法的隐含正则化，其使用卷积神经网络表示宠物前进模型中的内核系数图像。为解决基于最大似然性的神经网络的重建问题，我们应用优化转移原理来推导神经KEM算法。算法的每次迭代包括两个单独的步骤：从投影数据的图像更新的KEM步骤和图像域中的深度学习步骤，用于使用神经网络更新内核系数图像。这种优化算法保证单调地增加数据可能性。计算机模拟和实际患者数据的结果表明神经KEM可以优于现有的KEM和深度图像的先前方法。
translated by 谷歌翻译