LOAD：用于纹理与材质分类的局域方向自适应描述子
计算机视觉与模式识别
2015-04-23 v1
摘要
在本文中，我们提出了一种名为局域方向自适应描述子（Local Orientation Adaptive Descriptor, LOAD）的新型局域特征，以捕获图像中的区域纹理。在 LOAD 中，我们提议在自适应坐标系（Adaptive Coordinate System, ACS）上定义点描述，采用二进制序列描述子来捕获一点与其邻域之间的关系，并使用多尺度策略来增强描述子的判别力。所提出的 LOAD 不仅具有捕获纹理信息的判别力，而且对光照变化和图像旋转具有很强的鲁棒性。在纹理分类基准数据集和真实世界材质识别上的大量实验表明，所提出的 LOAD 产生了最先进（state-of-the-art）的性能。值得一提的是，我们在 Flickr Material Database 上使用单一特征达到了 65.4% 的分类准确率——据我们所知，这是迄今为止的最高记录。此外，通过将 LOAD 与卷积神经网络（CNN）提取的特征相结合，我们获得了显著优于单独使用 LOAD 或 CNN 的性能。这一结果证实了 LOAD 与基于学习的特征是互补的。
引用
@article{arxiv.1504.05809,
title = {LOAD: Local Orientation Adaptive Descriptor for Texture and Material Classification},
author = {Xianbiao Qi and Guoying Zhao and Linlin Shen and Qingquan Li and Matti Pietikainen},
journal= {arXiv preprint arXiv:1504.05809},
year = {2015}
}
备注
13 pages, 7 figures