使用哈氏小波的概念，第二部分（机器学习）

1. 哈尔小波、梯度和近似电视正则化(arXiv)

作者 :Tomas Sauer,A. Michael Stock

摘要 : 我们展示了如何通过对一些Haar小波系数进行适当的收缩来近似地进行任意维度的图像的总变化正则化。该方法直接作用于小波系数，因此适合应用于计算机断层扫描的大体积图像。

2.量化图卷积网络的哈氏小波特征压缩(arXiv)

作者 :Moshe Eliasof,Benjamin Bodner,Eran Treister

摘要 : 图卷积网络（GCNs）被广泛用于各种应用中，可以被看作是标准卷积神经网络（CNNs）的非结构化版本。与CNN一样，GCN对于大型输入图（如大型点云或网格）的计算成本很高，抑制了这些网络的使用，特别是在计算资源较少的环境中。为了减轻这些成本，量化可以应用于GCNs。然而，对特征图进行积极的量化可能会导致性能的显著下降。从另一个角度看，众所周知，Haar小波变换是压缩信号的最有效和高效的方法之一。因此，我们建议利用Haar小波压缩和轻量化来减少网络的计算和带宽，而不是对特征图进行积极的量化。我们证明，对于从节点分类到点云分类以及部分和语义分割的各种问题，这种方法以很大的幅度超过了激进的特征量化。