本论文研究了直方图层是否可以嵌入神经网络中学习,从而能够在深度学习框架中利用这些工程特征完成图像分类任务。
Mar, 2024
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
该研究使用无标签数据自我监督学习的方法,使用词袋深度描述符作为学习目标以学习鲁棒、深度特征,该方法可以学习具有扰动不变性和上下文感知的图像特征,适用于几乎无样本的任务或有监督的后续任务,其中将深度特征用于 CIFAR-100 分类任务并未能像原论文中所述显著提高分类准确性。
Jan, 2022
本研究提出了 SAND 特征,一种专门针对特征提取的深度学习解决方案,能够提供分层上下文信息。该方法在视觉问题的许多方面具有广泛应用,并在不需要额外训练的情况下实现了更好或可比较的结果。
Mar, 2019
本文提出了一种基于深度卷积神经网络的端到端 BoWs 模型 (E$^2$BoWs),并介绍了一种新的学习算法来增强生成的 E$^2$BoWs 模型的稀疏性,以进一步确保时间和内存效率。在多个图像搜索数据集上的实验结果表明,与最近的基于深度学习的检索方法相比,我们的模型在准确性和效率上都取得了很好的表现。
Sep, 2017
本研究提出了一种新型的三层深度学习模型,通过引入一对多二元类别学习器,学习遗传算法优化的特征,并同时学习全局和局部上下文信息,从而优化整个模型以在图像分割方面取得有希望的结果。
Apr, 2022
使用分层相关传递技术,比较 Fisher Vector 分类器和 Deep Neural Networks 在图像分类中对于上下文的重要性、重要分析区域和数据中的潜在缺陷和偏见等方面的差异。
Dec, 2015
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
本文介绍了一种新的 SAS 图像处理方法 —— 直方图层,通过将直方图层加入深度学习模型,不仅可以提取统计纹理信息,还可以提高合成和真实 SAS 数据集的分析性能。
Sep, 2022
本文提出了一种基于量化的方法,称为 Convolutional BoF,使用 RBF 神经元对从卷积层中提取的信息进行量化,并且能够原生地分类各种大小的图像,同时显著减少了网络中的参数,通过三个图像数据集的实验证明了该方法降低了网络参数并提高了分类精度。
Jul, 2017