材料识别的深度特征集成

Nov, 2015

Integrating Deep Features for Material Recognition

Yan Zhang, Mete Ozay, Xing Liu, Takayuki Okatani

TL;DR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。

Abstract

We propose a method for integration of features extracted using deep representations of convolutional neural networks (CNNs) each of which is learned using a different image dataset of objects and materials for material recognition. Given a set of representations of multiple pre-traine

convolutional neural networks material recognition deep features feature selection transfer learning

发现论文，激发创造

学习多尺度表示用于材料分类

研究利用多尺度编码过程中的规模信息，将特征学习用于材料识别，结果表明我们的所学特征优于手工描述符。

Aug, 2014

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

一种增强的深度特征表示方法用于人员再识别

本文提出 Feature Fusion Net 模型，使用手工制作的直方图和纹理特征，能够与卷积神经网络 (CNN) 特征互补，可以得到一个更具区分性和紧凑的深度特征表示，并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。

Apr, 2016

材料在自然环境中的识别：基于上下文材料数据库

本文介绍了一个新的、大规模、开放的野外材料数据库（Materials in Context Database，MINC），并结合深度学习，在野外图像中实现材料识别和分割。使用 MINC，我们训练了卷积神经网络（CNN）进行两个任务：对补丁分类的材料分类和在完整图像中同时进行材料识别和分割。通过在 MINC 上进行补丁分类，我们发现表现最好的 CNN 架构可以实现 85.2% 的平均分类准确度。我们将这些训练好的 CNN 分类器转换为高效的完全卷积框架，再结合完全连接的条件随机场（CRF）来预测图像中每个像素的材料，达到 73.1% 的平均分类准确度。我们的实验表明，在野外材料识别和分割中，拥有一个大型的、经过充分采样的数据集（如 MINC）至关重要。

Dec, 2014

基于模板的人脸识别深度异质特征融合

本文提出了一种深度异构特征融合网络，用于增强不同深度卷积神经网络生成的特征之间的关联性，以实现基于模板的人脸识别任务，并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。

Feb, 2017

一份 4D 光场数据集及用于材料识别的 CNN 架构

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

多图深度网络灵活 SVBRDF 捕获

该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019

FoodNet: 使用深度神经网络集成识别食物

本文提出了一种自动食物分类系统的方法，该系统能够从食物图像中识别出食物的内容。采用多层卷积神经网络架构，并在训练中用到了预处理的图像和滤波器输出进行融合以提高准确率。该方法在 ETH Food-101 数据库和新贡献的印度食品图像数据库上表现出比其他基准深度学习 CNN 框架更加有效的效果。

Sep, 2017

利用深度 CNN 特征提取具有区分性元对象进行场景分类

本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline，旨在从场景图像中提取判别性的视觉对象和局部区域进行分类，经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts，并为相似 objects 和 parts 聚类形成 meta objects，该方法在两个流行的场景基准数据集上展现了领先水平。

Oct, 2015

多模态深度面部表示的鲁棒人脸识别

本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架，该框架包括一组卷积神经网络和三层堆叠自动编码器，使用公开可用的数据集训练，取得了超过 99％的人脸识别率。

Sep, 2015