Orthogonal Multiresolution Analysis applied to Convolutional Neural Networks

Abstract

[en] This final degree project explores the integration of orthogonal multiresolution analysis (OMRA) techniques into the field of machine learning, specifically applied to convolutional neural networks (CNNs) in the tasks of image classification and semantic segmentation. Instead of feeding raw images directly into the network, a preprocessing step based on the Discrete Wavelet Transform (DWT) (a method closely related to OMRA) is introduced. The DWT decomposes images into different frequency and resolution levels, enabling a more efficient and structured representation of visual information. This preprocessing aims to enhance CNN performance by leveraging OMRA’s ability to capture hierarchical patterns and relevant details at multiple scales.

[ca] Aquest treball de final de grau explora la integració de tècniques d’anàlisi multiresolució ortogonal (OMRA) en l’àmbit de l’aprenentatge automàtic, concretament aplicades a xarxes neuronals convolucionals (CNN) en les tasques de classificació d’imatges i segmentació semàntica. En lloc d’introduir directament les imatges a la xarxa, es proposa un procés de pretractament basat en la \textit{Discrete Wavelet Transform} (DWT), una eina estretament vinculada amb l’OMRA. La DWT descompon les imatges en diferents nivells de freqüència i resolució, permetent així una representació més eficient i estructurada de la informació visual. Aquesta transformació prèvia té com a objectiu millorar el rendiment de les CNN, aprofitant la capacitat de l’OMRA per capturar patrons jeràrquics i detalls rellevants en diferents escales.