多层深度特征提取用于视觉纹理识别
计算机视觉与模式识别
2022-08-23 v1
摘要
卷积神经网络在图像分类中已取得超越人类水平的实时结果。然而，纹理图像对这些模型仍构成一定挑战，例如因为在出现此类图像的若干问题中训练数据有限、类间相似度高、缺乏所表示对象的全局视角等。在此背景下，本文致力于提升卷积神经网络在纹理分类中的准确率。这是通过从预训练神经网络的多个卷积层提取特征并使用 Fisher vector 聚合这些特征来实现的。使用较早卷积层特征的原因在于获取较少领域特定的信息。我们在基准数据集的纹理分类以及巴西植物物种识别的实际任务上验证了方法的有效性。两种场景下，基于多层计算的 Fisher vectors 均优于最先进方法，证实了早期卷积层为分类提供了关于纹理图像的重要信息。
引用
@article{arxiv.2208.10043,
title = {Towards Calibrated Hyper-Sphere Representation via Distribution Overlap Coefficient for Long-tailed Learning},
author = {Hualiang Wang and Siming Fu and Xiaoxuan He and Hangxiang Fang and Zuozhu Liu and Haoji Hu},
journal= {arXiv preprint arXiv:2208.10043},
year = {2022}
}