本文提出一种基于卷积神经网络的图像增强方法，通过动态滤波器学习来提高图像分类的效果，实验证明该方法在四个基准数据集中表现出较好的性能。

Oct, 2017

本文提出了利用多种全局描述符来在端到端训练中获得合集效应的新框架，并通过定量和定性分析研究了多种全局描述符组合的有效性。在基准评估中，该框架在图像检索任务中实现了最先进的性能。

Mar, 2019

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

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

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

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

本文提出了一种基于灰度差异矩阵和局部二值模式特征的特征表示和基于 K-means 聚类的图像采集算法，用于收集更高效的纹理图像数据库，并通过一些先进的纹理分类技术进行了性能评估。

Mar, 2018

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

通过为特征提取引入 Gabor 滤波器作为有力工具来利用纹理特征，并将其与卷积神经网络（CNN）的语义分支相结合，实现全面的信息提取，从而在多个数据集上取得了最先进的性能。

Aug, 2023

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