论文阅读:Deep Filter Banks for Texture Recognition and Segmentation

这篇论文探讨了2015年CVPR上提出的深度卷积特征结合Fisher Vector方法在纹理识别和分割上的优异表现。作者指出,全连接层在纹理特征表示上的局限性,并构建了新的OSA数据库。通过将CNN卷积层视为滤波器银行,利用FV池化,实验在多个数据集上验证了该方法的有效性,包括FMD、DTD、KTH-TIPS-2b、PASCAL VOC 2007、MIT Indoor和Caltech/UCSD Bird。尽管存在一些未明确的点,如卷积层特征的作用和某些方法的具体细节,但该方法展示了深度学习在纹理分析领域的潜力。
摘要由CSDN通过智能技术生成

这里写图片描述
这里写图片描述


2015年的CVPR,深度卷积特征+Fisher Vector的方法在纹理数据库上得到了比较优秀的performance

Motivation:
作者认为,对于纹理特征来说,使用全连接层的特征有一下三个问题:

  1. 卷积层的特征更像一个非线性的滤波器,而全连接层能够扑捉到空间的信息,但这对纹理的表示没有用的
  2. 输入层必须固定尺寸以适应全连接层的大小,这需要大量的计算
  3. 浅层具有更好的传递性

Contributions:

  1. 在Open Surfaces(OS)数据库的基础上又构建了一个新的数据库OSA
  2. 作者将CNN中的卷积层看做为一个filter bank, 然后利用FV做pooling,这种方法在bag-of-words中经常使用。
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值