• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Dynamic texture representation using a deep multi-scale convolutional network
【24h】

Dynamic texture representation using a deep multi-scale convolutional network

机译：使用深度多尺度卷积网络的动态纹理表示

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This work addresses dynamic texture representation and recognition via a convolutional multilayer architecture. The proposed method considers an image sequence as a concatenation of spatial images along the time axis as well as spatio-temporal images along both horizontal and vertical axes of an image sequence and uses multilayer convolutional operations to describe each plane. The filters used are learned via principal component analysis (PCA) on each of the three orthogonal planes of an image sequence. A particularly advantageous attribute of the technique is the unsupervised training procedure of the proposed network. An inter-database evaluation has been performed to investigate the generalisation capability of the proposed approach. Moreover, a multi-scale extension of the proposed architecture is presented to capture texture details at multiple resolutions. Through extensive evaluations on different databases, it is shown that the proposed PCA-based network on three orthogonal planes (PCANet-TOP) yields very discriminative features for dynamic texture classification. (C) 2016 Elsevier Inc. All rights reserved.
机译：这项工作通过卷积多层体系结构解决了动态纹理表示和识别问题。所提出的方法将图像序列视为沿着时间轴的空间图像以及沿着图像序列的水平轴和垂直轴的时空图像的串联，并使用多层卷积运算来描述每个平面。通过主成分分析（PCA）在图像序列的三个正交平面的每个平面上学习使用的滤波器。该技术的特别有利的属性是所提出的网络的无监督训练过程。数据库间评估已进行，以调查提出的方法的泛化能力。此外，提出了所提出体系结构的多尺度扩展，以捕获多种分辨率的纹理细节。通过对不同数据库的广泛评估，结果表明，在三个正交平面上提出的基于PCA的网络（PCANet-TOP）为动态纹理分类提供了非常有区别的功能。 （C）2016 Elsevier Inc.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号