可视化和理解深度纹理表示
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
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
使用浅层卷积神经网络学习判别滤波器的一种方法,直接编码旋转不变性以提取旋转不变的特征,实现了与标准浅层卷积神经网络相比更高的分类性能并减少了一个数量级的参数量。
Apr, 2016
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
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
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
本文提出一种对卷积网络的特征进行简单修改的方法,可以将长程结构纳入图像生成,并渲染满足各种对称约束的图像以及在图像修复和季节转换等方面应用广泛。
Jun, 2016