纹理识别与分割的深度卷积滤波器组
本文提出了一种基于可描述纹理数据集的词汇表,用于描述常见的纹理模式,以及一些对应的图像识别技术,包括物体材质和纹理属性的实时识别,并通过将深度模型卷积层用作滤波器进行优化以获得卓越的性能。
Jul, 2015
本研究通过建立一个简单的网络架构 (Texture CNN),探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性,并将纹理分析方法中的 filter bank 思想应用到神经网络中,证明了其对提升网络表现和大幅减少运算及占用空间的优势。
Jan, 2016
本文提出了一种新颖的框架用于图像检索,通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题,并采用最新的嵌入和聚合方法进一步提高特征可区分性,从而达到了最先进的检索准确度。
Jul, 2017
本文提出了一种通过计算 CNNs 提取的特征的不确定性来选择和集成该图像中最佳表示的功能,从而实现基于不同物体材料的图像数据集的材料识别,实验结果表明该方法在材料识别方面表现出最先进的性能,并通过 EFMD 数据集的传递学习更新 CNN 模型,实现了接近人类表现的结果。
Nov, 2015
本文通过对最近的 CNN-based 描述符进行系统评估和比较,梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质,并提出了一个可视化的方法来理解这个性质。最后,作者介绍了一个关于纹理分析和合成的参数化模型,可以用于基于属性的图像操作以及图像的纹理化处理。
Nov, 2015
通过为特征提取引入 Gabor 滤波器作为有力工具来利用纹理特征,并将其与卷积神经网络(CNN)的语义分支相结合,实现全面的信息提取,从而在多个数据集上取得了最先进的性能。
Aug, 2023
研究表明,随机浅层卷积神经网络的特征空间可以作为自然纹理的模型,可以用于纹理合成算法,并且相较于深层 CNNs 模型,浅层 CNNs 模型具有相当的性能。
May, 2016
本研究提出了一种新型的卷积神经网络,即小波卷积神经网络,将频域分析与卷积神经网络相结合,并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好,且参数数量更少,易于训练。
Jul, 2017
介绍了一个新的光场数据集,并利用深度学习在 4D 光场上进行材料识别。实验中,最佳表现的 CNN 架构相比 2D 图像分类提高了 7%(从 70%到 77%),这些结果构成了对 CNN 应用于光场应用的重要基线。
Aug, 2016