从 BoW 到 CNN:纹理分类中的两个十年的纹理表示
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
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
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
介绍了二维、时空三维和四维等不同领域中最具代表性的 Local binary patterns 及其变种,探讨了其应用,包括纹理、图像描述和信号分析等,同时简要概述了其未来的研究挑战。
Dec, 2016
本文提出了一个基于卷积神经网络的局部特征编码和基于词袋模型的实例检索方法,该方法将每个卷积层中的局部激活函数数组映射到可视化词汇中,从而实现了空间重新排序和检索的目的,并在 Oxford 和 Paris buildings benchmarks 中取得了具有竞争力的性能表现。
Apr, 2016
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
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
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
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
本研究探讨纹理学习:识别目标分类模型学习到的纹理以及它们对这些纹理的依赖程度。我们建立了纹理 - 目标的关联,揭示了 CNN 中纹理和目标类别之间关系的新见解,并发现三类结果:强关联且符合预期、强关联但不符合预期以及符合预期但不具备纹理。我们的分析表明,纹理学习的研究可以实现新的解释方法,并有可能揭示出意外的偏见。
Mar, 2024