Nov, 2015

可视化和理解深度纹理表示

PDF
TL;DR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。
发现论文，激发创造
  • 探究视觉感知的纹理插值

    采用最优传输理论来生成纹理样本，提出了一种基于卷积神经网络的插值方法，同时应用于人和猴子的视觉感知和神经敏感度研究，拓展了对视觉处理的理解。

    Jun, 2020

  • 纹理识别、描述和分割的深度滤波器组

    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

  • 使用随机卷积滤波器的浅层卷积神经网络纹理合成

    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

  • 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

  • 学习旋转不变卷积滤波器以进行纹理分类

    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

  • 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

  • 利用卷积神经网络进行纹理合成

    介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。

    May, 2015

  • 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

  • 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

  • 基于 CNN 的纹理生成中引入远程一致性

    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