直方图层用于纹理分析
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
通过引入新型的空洞汇聚层来丰富空间特征的表示,该方法在多个尺度上操作,能够自适应地学习分层特征,实验证明其在捕捉复杂空间模式和改进特征提取能力方面的有效性。
Apr, 2024
本文提出了一种可学习的直方图层,可以在深度神经网络中学习直方图特征并在训练期间与其他层共同优化,这在语义分割和目标检测中得到了探索,深入研究提供了深入的洞见。
Apr, 2018
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。
May, 2016
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
本文通过引入 Local Texture Estimator (LTE) 的方法,使 implicit function 可以在连续的过程中捕捉细节,在 2D Fourier 空间表征图像纹理,达到了显著的图像超分辨率重建性能,并且在运行时间上比以往的方法更高效。
Nov, 2021
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
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