通过数据增广和改变训练集数据的方式,可以减弱 CNN 网络中很常见的纹理偏见,并且提高非常规测试集上的表现。
Nov, 2019
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
本研究通过设计一系列实验,发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习,这些信息主要由 CNN 的最后几层进行编码。此外,本文还表明形状的编码并不意味着编码的是局部像素语义信息。
Jan, 2021
介绍了一种基于卷积神经网络特征空间的自然纹理新模型,可生成具有高感知质量的样本,可作为神经科学刺激或深度卷积神经网络学习的新工具。
May, 2015
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
本文综述了过去 20 年来纹理表示方法的研究进展,其中涵盖基于 Bag of Words、卷积神经网络和属性字符的方法,分别在计算机视觉和模式识别等领域有着广泛的应用和重要意义。
Jan, 2018
采用最优传输理论来生成纹理样本,提出了一种基于卷积神经网络的插值方法,同时应用于人和猴子的视觉感知和神经敏感度研究,拓展了对视觉处理的理解。
Jun, 2020
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
本论文主要讨论了纹理分析方法在计算机视觉领域的应用,包括图像处理、对象识别、表面缺陷检测、医学图像分析等,并重点介绍了统计、结构、基于模型和基于变换等四种纹理分析方法,以及组合方法在纹理分析中的应用,同时总结了常见的分类器及纹理图像数据集。
Apr, 2019
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