利用卷积网络进行材料分类的迁移学习
计算机视觉与模式识别
2016-09-21 v1
摘要
自然场景下的材料分类是一项挑战，原因在于几何形状、反射特性和光照之间复杂的相互作用。先前关于材料分类的工作强烈依赖于视觉样本的手工设计特征。在本工作中，我们使用卷积神经网络 (convnet) 来学习针对材料识别特定任务的描述性特征。具体而言，利用从物体识别任务迁移而来的迁移学习，更有效地训练出用于材料分类的优质特征。与先前的最先进 (state-of-the-art) 方法相比，使用 convnets 进行迁移学习的方法产生了显著更高的识别率。随后，我们通过将图像分解为其固有成分，分析了反射和阴影信息的相对贡献。由于即使采用迁移学习方法，对充足且多样化训练数据的强烈需求也阻碍了 convnets 在材料分类中的应用，因此，我们提出了一个新的数据集，包含约 10k 张图像，分为 10 个材料类别。
引用
@article{arxiv.1609.06188,
title = {Transfer Learning for Material Classification using Convolutional Networks},
author = {Patrick Wieschollek and Hendrik P. A. Lensch},
journal= {arXiv preprint arXiv:1609.06188},
year = {2016}
}