用于材料识别的深度特征集成
计算机视觉与模式识别
2016-04-22 v6 机器学习
摘要
我们提出一种方法，用于集成通过卷积神经网络（CNNs）深度表示提取的特征，其中每个网络是使用不同的物体与材料图像数据集学习得到的，用于材料识别。给定多个预训练CNN的一组表示，我们首先利用这些表示在图像上计算特征激活，以选择一组能被这些特征最佳表示的样本。然后，我们通过计算每个样本集的类分布的熵来度量特征的不确定性。最后，我们计算每个特征对类表示的贡献，以进行特征选择与集成。我们在三个材料识别基准数据集上验证了所提方法。实验结果表明，通过集成深度特征，所提方法达到了最先进的性能。此外，我们通过扩展Flickr材料数据库（FMD）引入了一个新的材料数据集EFMD。通过使用EFMD结合迁移学习来更新学到的CNN模型，我们在FMD数据集上达到了84.0%+/-1.8%的准确率，接近人类性能84.9%。
引用
@article{arxiv.1511.06522,
title = {Integrating Deep Features for Material Recognition},
author = {Yan Zhang and Mete Ozay and Xing Liu and Takayuki Okatani},
journal= {arXiv preprint arXiv:1511.06522},
year = {2016}
}
备注
6 pages