Dec, 2016

Deep TEN：纹理编码网络

PDF
TL;DR本文提出了一种基于深度学习的纹理编码网络 ——Deep-TEN，该网络集成了一种编码层，并通过端到端的学习框架直接学习词汇表和编码，支持多数据集联合训练，具有很好的纹理和物质识别性能。
deep texture encoding networkmaterial recognitionend-to-end learningencoding layervisual vocabularies
发现论文，激发创造
  • 二进制模式编码卷积神经网络用于纹理识别和遥感场景分类

    论文利用二进制模式编码卷积神经网络模型以及不同的深度网络融合架构进行纹理识别和遥感场景分类，并在四个纹理识别数据集和四个遥感场景分类基准测试中进行全面实验，证明该模型提高了识别性能，并超过了现有技术的表现。

    Jun, 2017

  • 深度张量编码

    通过使用张量分解的结构约束，可以使基于内容的图像检索具有与 Fisher 向量编码图像签名相当的检索结果。

    Mar, 2017

  • 基于深度神经网络的多级纹理编码和表示（MuLTER）

    本研究提出了一种多层纹理编码和表示网络（MuLTER），通过多层池化架构，该网络同时利用低级和高级特征以保持纹理细节和空间信息，并支持不同层级特征的融合，从而在纹理描述符领域提高了识别精度。

    May, 2019

  • 深度纹理流形用于地面地形识别

    用 Deep Encoding Pooling Network (DEP) 进行地面地形识别，将无序纹理细节和局部空间信息相结合，超越了现有的先进方法，结果表明该网络在 GTOS-mobile 以及更一般的数据库上都表现出色。

    Mar, 2018

  • 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

  • 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

  • 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

  • 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

  • 材料识别的深度特征集成

    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。

    Nov, 2015

  • 通过转移深度图像特征进行动态纹理和场景分类

    本论文旨在解决动态纹理和场景分类这两个问题，在提取特征方面使用深度学习的方法，即将一个经过训练的卷积神经网络作为中间特征提取器，进行空间和时间上的特征提取，从而实现优异的性能。

    Feb, 2015