---

2015年的CVPR，深度卷積特征+Fisher Vector的方法在紋理數據庫上得到了比較優秀的performance

Motivation:
作者認為，對于紋理特征來說，使用全連接層的特征有一下三個問題：

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

輸入層必須固定尺寸以適應全連接層的大小，這需要大量的計算

淺層具有更好的傳遞性

Contributions:

在Open Surfaces(OS)數據庫的基礎上又構建了一個新的數據庫OSA

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

Experiment:

dataset：
紋理識別： FMD, DTD, KTH-TIPS-2b
目標識別：PASCLA VOC 2007
場景識別：MIT Indoor
細粒度數據集：Caltech/UCSD Bird

model：在提取特征階段，他們使用了兩個網絡——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，希望以后會看到相關的解釋，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中倒數第二列是如何做的？

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。