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

MMJun, 2017

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

Binary Patterns Encoded Convolutional Neural Networks for Texture Recognition and Remote Sensing Scene Classification

Rao Muhammad Anwer, Fahad Shahbaz Khan, Joost van de Weijer, Matthieu Molinier, Jorma Laaksonen

TL;DR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。

Abstract

Designing discriminative powerful texture features robust to realistic imaging conditions is a challenging computer vision problem with many applications, including material recognition and analysis of satellite or aerial imagery. In the past, most texture description approaches were based on dense orderless statistical distribution of local features. Howeve

texture recognition remote sensing scene classification convolutional neural networks binary patterns deep network fusion architectures

发现论文，激发创造

Deep TEN：纹理编码网络

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。

Dec, 2016

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

ImageNet 训练的 CNN 偏向于纹理；增加形状偏差可以提高准确性和鲁棒性

这篇文章通过对卷积神经网络（CNNs）和人类观察者在具有纹理 - 形状线索冲突的图像上进行实验，揭示了 CNN 在识别物体时更倾向于识别纹理而非形状的基本不同分类策略，同时表明将 CNN 在 Stylized-ImageNet 数据集上训练可以学习到形状为基础的表示，可以更好地拟合人类行为表现，同时具有提高物体检测性能和对各种图像扭曲的鲁棒性的优点。

Nov, 2018

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

小波卷积神经网络用于纹理分类

本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。

Jul, 2017

基于像素集编码器和时间自注意力机制的卫星图像时间序列分类

本研究提出了一种替代卷积神经网络的方法来自动分类卫星图像时间序列。使用基于 Self-Attention 的神经网络的时间特征提取方法来优化处理效率，并且发布了一个用于卫星图像时间序列研究的大型开放访问数据集。

Nov, 2019

深度神经网络融合纹理进行图像分类

精细化图像分类任务中，由于不同子类别间视觉差异小、类内变化大，深度学习方法在解决该问题中取得了显著成功。本文提出一种融合方法，通过将全局纹理与局部基于图像块的信息相结合来解决精细化图像分类问题。我们的方法在人脸、皮肤病变、美食、海洋生物等八个数据集上使用四个标准的骨干 CNN 进行了测试，并在分类准确率上取得了优于现有方法显著的提升。

Aug, 2023

基于模型集成的纹理提取方法用于改善分类

本研究提出了一个框架，该框架将多种基于纹理的技术与 CNN 主干结合起来，以提取与图像纹理相关联的最相关特征，使模型可以以自我选择的方式进行训练，并在几个基准数据集上展现了最新的成果。

Jun, 2022

卷积神经网络在遥感图像土地利用分类中的应用

本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法，通过采用 CaffeNet 和 GoogLeNet 架构，并进行多种不同的学习方式包括预训练网络的微调等，实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。

Aug, 2015

利用卷积神经网络更好地进行遥感场景分类

研究使用现有卷积神经网络 (ConvNets) 的三种策略：完全训练、微调和使用 ConvNets 作为特征提取器，并在使用三个遥感数据集进行了实验，结果发现对 ConvNets 进行微调是最佳的策略，使用微调后的 ConvNets 特征与线性 SVM 结合可以获得最佳结果，同时也在三个数据集上取得了最先进的结果。

Feb, 2016