（论文阅读27/100）Deep Filter Banks for Texture Recognition and Segmentation

27.文献阅读笔记
简介	题目	Deep Filter Banks for Texture Recognition and Segmentation
	作者	Mircea Cimpoi, Subhransu Maji, Andrea Vedaldi,
	原文链接	http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Cimpoi_Deep_Filter_Banks_2015_CVPR_paper.pdf
	关键词	Texture Recognition and Segmentation、FV-CNN
	研究问题	纹理识别方面的研究通常集中在无干扰条件下的材料识别问题上，而这一假设在应用中很少遇见。 CNN在表示纹理上的缺点： 卷积层类似于非线性滤波器库，而全连接层则捕捉其空间布局。虽然这对表示物体的形状可能有用，但对表示纹理可能没有那么有用。 CNN 的输入必须是固定大小的，以便与全连接层兼容，这就需要对输入图像进行昂贵的大小调整，尤其是在计算许多不同区域的特征时。 较深的层可能更针对特定领域，因此与较浅的层相比，潜在的可移植性较差。 对象（FC-CNN）和纹理（FV-CNN）描述符
	研究方法	开发了一种新的纹理描述符 滤波器组被设计用于捕获不同尺度和方向的边缘、斑点和线条。 将 CNN 的卷积层视为滤波器库，并使用 FV 作为池化机制来构建无序表示。 训练在“野生图像”上进行。每幅图像都包含大量高质量的纹理/材质片段。 池化是无序和多尺度的，因此适用于纹理。其次，卷积层可以处理任何大小的图像，避免了代价高昂的调整大小操作。 该方案将问题分解为以低成本生成暂定分割，然后使用更强大（可能也更昂贵）的模型进行验证。
	研究结论	说是（FV-CNN）性能很优越
	创新不足	感觉写的很乱，看到后面不很理解它干了点啥。
	额外知识	FV：Fisher Vector(FV)向量_fisher向量-CSDN博客 （论文阅读26/100）