用于细粒度识别的 Gabor 纹理特征学习
计算机视觉与模式识别
2023-08-11 v1
摘要
提取并利用类判别特征对细粒度识别至关重要。已有工作证明了应用深度 CNN 挖掘区分相似类别特征的可能性。然而, CNN 存在频率偏置与局部细节信息丢失等问题, 限制了细粒度类别识别的性能。为应对该挑战, 我们提出一种新颖的纹理分支作为 CNN 分支的特征提取补充。受 Gabor 滤波器有效捕获多频特征与局部细节信息能力的启发, 我们创新性地利用 Gabor 滤波器作为强大的提取器来挖掘纹理特征。我们实施了若干设计以增强 Gabor 滤波器的有效性, 包括对参数值施加约束以及发展确定最优参数的学习方法。此外, 我们引入统计特征提取器以利用 Gabor 滤波器所捕获信号中有信息的统计信息, 并采用门选机制通过仅将合格区域作为纹理提取输入来实现高效计算。通过融合基于 Gabor 滤波器的纹理分支与基于 CNN 的语义分支特征, 我们实现了全面的信息提取。我们在多个数据集上验证了方法的有效性, 包括 CUB-200-2011、NA-bird、Stanford Dogs 与 GTOS-mobile。我们的方法取得了最先进的性能。
引用
@article{arxiv.2308.05396,
title = {Learning Gabor Texture Features for Fine-Grained Recognition},
author = {Lanyun Zhu and Tianrun Chen and Jianxiong Yin and Simon See and Jun Liu},
journal= {arXiv preprint arXiv:2308.05396},
year = {2023}
}
备注
Accepted to ICCV2023