用于材质识别的 4D 光场数据集与 CNN 架构
计算机视觉与模式识别
2016-08-26 v1
摘要
我们引入一个新的材质光场数据集，并利用深度学习近期的成功在 4D 光场上进行材质识别。我们的数据集包含 12 个材质类别，每类有 100 张用 Lytro Illum 拍摄的图像，从中我们总共提取约 30,000 个图像块。据我们所知，这是首个中等规模的光场图像数据集。我们的主要目标是探究光场中的额外信息（如多个子孔径视图和视角依赖的反射效应）能否辅助材质识别。由于识别网络此前未曾在 4D 图像上训练，我们提出并比较了若干新颖的 CNN 架构以在光场图像上进行训练。在我们的实验中，表现最佳的 CNN 架构相比 2D 图像分类实现了 7% 的提升（从 70% 到 77%）。这些结果构成了重要的基线，可推动 CNN 在光场应用中进一步的研究。一经发布，我们的数据集还能支持光场的其他新颖应用，包括物体检测、图像分割和视角插值。
引用
@article{arxiv.1608.06985,
title = {A 4D Light-Field Dataset and CNN Architectures for Material Recognition},
author = {Ting-Chun Wang and Jun-Yan Zhu and Ebi Hiroaki and Manmohan Chandraker and Alexei A. Efros and Ravi Ramamoorthi},
journal= {arXiv preprint arXiv:1608.06985},
year = {2016}
}
备注
European Conference on Computer Vision (ECCV) 2016