---

2015年的CVPR，深度卷積特征+Fisher Vector的方法在紋理數(shù)據(jù)庫上得到了比較優(yōu)秀的performance

Motivation:
作者認(rèn)為，對(duì)于紋理特征來說，使用全連接層的特征有一下三個(gè)問題：

卷積層的特征更像一個(gè)非線性的濾波器，而全連接層能夠撲捉到空間的信息，但這對(duì)紋理的表示沒有用的

輸入層必須固定尺寸以適應(yīng)全連接層的大小，這需要大量的計(jì)算

淺層具有更好的傳遞性

Contributions:

在Open Surfaces(OS)數(shù)據(jù)庫的基礎(chǔ)上又構(gòu)建了一個(gè)新的數(shù)據(jù)庫OSA

作者將CNN中的卷積層看做為一個(gè)filter bank， 然后利用FV做pooling，這種方法在bag-of-words中經(jīng)常使用。

Experiment:

dataset：
紋理識(shí)別： FMD, DTD, KTH-TIPS-2b
目標(biāo)識(shí)別：PASCLA VOC 2007
場景識(shí)別：MIT Indoor
細(xì)粒度數(shù)據(jù)集：Caltech/UCSD Bird

model：在提取特征階段，他們使用了兩個(gè)網(wǎng)絡(luò)——VGG-M和VGG-VD(very deep with 19 layers)

performance :

4. 在VGG-M model中，隨著卷積層的變化，結(jié)果的變化情況

最后，論文中有一些地方說的很不明白，希望以后會(huì)看到相關(guān)的解釋，再回來更新博客：
1. 前面明明說的使用卷積層來做baseline的特征，可是后面的結(jié)果又全都是全連接的特征來做FV pooling的，既然show出來的是FC+FV的結(jié)果是最好的，那么卷積層的特征又是怎么一回事？
2. Table 1里的SoA是什么方法？
3. Table 1中倒數(shù)第二列是如何做的？

總結(jié)

以上是生活随笔為你收集整理的论文阅读：Deep Filter Banks for Texture Recognition and Segmentation的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。