深度神经网络在纹理分类中的理论分析

May, 2016

深度神经网络在纹理分类中的理论分析

A Theoretical Analysis of Deep Neural Networks for Texture Classification

Saikat Basu, Manohar Karki, Robert DiBiano, Supratik Mukhopadhyay, Sangram Ganguly...

TL;DR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。

Abstract

We investigate the use of deep neural networks for the classification of image datasets where texture features are important for generating class-conditional discriminative representations. To this end, we first

deep neural networks texture features vapnik-chervonenkis dimension convolutional neural networks intrinsic dimension

发现论文，激发创造

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

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

深度神经网络中的降维压缩和扩展

本研究发现神经网络可以学习较低维度的流形，从而在高维数据空间中分解数据，同时又能取得良好的泛化性能，重点关注降维和流形的内在维度等方面。

Jun, 2019

深度特征空间：几何视角

本文提出了一种新的方法，用于可视化和理解神经网络输出层之前的向量空间，旨在揭示分类任务下的深层特征向量属性，特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响，并对其进行了真实应用场景的评估，证明了其突出性能优势。

Jun, 2020

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

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

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

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

形状还是纹理：理解卷积神经网络中的辨别特征

本研究通过设计一系列实验，发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习，这些信息主要由 CNN 的最后几层进行编码。此外，本文还表明形状的编码并不意味着编码的是局部像素语义信息。

Jan, 2021

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