Jul, 2015

纹理识别、描述和分割的深度滤波器组

PDF
TL;DR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。
visual texturestexture attributesmaterial recognitiondeep learningimage understanding
发现论文，激发创造
  • 纹理识别与分割的深度卷积滤波器组

    本文介绍了一种基于卷积神经网络（CNN）的新型纹理描述符 D-CNN，并在嘈杂的环境下完成了纹理和材料识别，并实现了 81.1% 至 82.3% 的识别准确率，显著提高了现有方法的性能。

    Nov, 2014

  • 野外纹理描述

    通过创建 Describable Textures Dataset（DTD），使用 47 种纹理术语，将 IFV 应用于纹理识别，以认识和描述大型野外纹理数据集。这种方法不仅提高了纹理识别数据集的性能，而且也极大地提高了材料识别数据集的性能。

    Nov, 2013

  • 可视化和理解深度纹理表示

    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

  • 使用滤波器组在卷积神经网络中进行纹理分类

    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

  • 使用自然语言描述纹理

    本文研究了纹理的视觉属性及对不同模型的影响，发现现有的生成和判别模型不能很好地捕捉纹理的组成属性。我们以证据支持了此观点，并提供了可解释性的模型来生成基于语言的解释，以加深对纹理分类的理解。我们通过在 Caltech-UCSD 鸟类数据集上进行精细分类，证明了该数据集上所学习到的纹理属性相比专家设计的属性能够实现显著改进。

    Aug, 2020

  • 从 BoW 到 CNN：纹理分类中的两个十年的纹理表示

    本文综述了过去 20 年来纹理表示方法的研究进展，其中涵盖基于 Bag of Words、卷积神经网络和属性字符的方法，分别在计算机视觉和模式识别等领域有着广泛的应用和重要意义。

    Jan, 2018

  • 深度神经网络在纹理分类中的理论分析

    本文研究了使用深度神经网络对纹理特征重要的图像数据集进行分类的方法，并通过定义手工特征提取的 VC 维来证明手工特征提取是降低异常误差率的有效工具，同时得出了卷积神经网络、Dropout 网络和 Dropconnect 网络的 VC 维上限以及它们异常误差率的关系。此外，本文还利用内在维度概念验证了基于纹理的数据集比手写数字或其他目标识别数据集本质上更高维，因此更难以被神经网络粉碎，同时还从 n 维流形中计算出样本数据的相对对比度随向量空间维度趋于无限大而消失的规律。

    May, 2016

  • 直方图层用于纹理分析

    本文提出了一种基于直方图的神经网络局部分布特征提取方法，可有效提高材质纹理分析的性能。

    Jan, 2020

  • 纹理引导的深度特征编码

    通过纹理引导的特征压缩策略，该研究对机器视觉中的特征和纹理进行了调查和分析，提出了一种基于纹理特征的压缩策略，该策略通过选择性地压缩和传输与视觉任务相关的通道，同时为机器提供高质量的特征数据，并利用特征和纹理图像重建预览图像以支持人类决策。实验结果表明，采用所提出的方法对深层特征进行压缩时表现出了出色的性能。

    May, 2024

  • 学习 Gabor 纹理特征进行细粒度识别

    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