본 포스팅에서는 Deep Texture Encoding Network(DeepTEN)의 업그레이드 버전인 Deep Encoding Pooling Network(DEP-Net)과, DEP-Net과 Differential Angular Imaging Network(DAIN) 구조를 융합한 Texture-Encoded Angular Network(TEAN) 를 소개합니다. A. Deep Texture Manifold for Ground Terrain Recognition / CVPR 2018 B. Differential Viewpoints for Ground Terrain Material Recognition / TPAMI 2020 A. Deep Texture Manifold for Ground Terrain..

CVPR 2017에 게재된 본 논문은 classic한 computer vision approach인 dictionary learning 방법을 CNN 구조와 통합하여 end-to-end 로 material, texture 이미지의 orderless representation을 학습하는 DeepTEN 을 제안합니다. Abstract 본 논문에서는 dictionary learning 및 encoding 파이프라인을 single model로 포팅하는 encoding layer가 있는 Deep Texture Encoding Network(Deep TEN)을 제안합니다. 이전 method에서는 SIFT descriptor 또는 material recognition으로 pre-trained CNN feature와 ..

CVPR 2020에 게재된 texture recognition 분야 논문입니다. Texture의 고유한 구조적인 특징을 분석하고 이를 활용하는 네트워크를 제안하여 texture recognition SOTA를 달성하고 ablation, main 실험 이외에도 fine-grained recognition, semantic segmenation 과 같은 응용 실험까지 포함된 논문입니다. Abstract Texture recognition은 다양한 primitive와 arrangement 가 동일한 texture 이미지에서 인식될 수 있기 때문에 어려운 task 입니다. CNN을 기반으로 한 최근 작업 중 일부는 spatial arrangement에 invariant 하도록 orderless aggregati..

2016 arXiv에 게재된 논문이지만, material recognition에 context information 을 explict 하게 활용하는 연구이기에 소개합니다. Motivation 좌측 그림에서 컵의 표면만 보면 종이인지 플라스틱인지 금속인지 사람이 봐도 재질 유형을 파악하기 어렵습니다. 하지만, '컵' 이라는 object 정보를 얻으면 컵 + 색상으로 미루어 보아 해당 표면은 '플라스틱'이라는 것을 유추할 수 있습니다. 이렇듯 material은 object, scene과 같은 context information과 깊은 상관관계가 있습니다. 우측 그림의 위쪽 표를 보면 airplane에는 metal이 주로 관측되고 sink에는 ceramic, metal 등이 주로 관측됩니다. 아래 쪽 표를 보..

본 논문은 2013년, International journal of computer vision 저널에 게재된 논문입니다. 거의 10년전 논문이지만, 저에게 material recognition이라는 분야를 가장 잘 이해할 수 있게 해준 논문이기에 정리해두려 합니다. Introduction 본 논문에서는 human material recognition 연구를 기반으로 하는 low, mid-level 이미지 feature를 제안하고 SVM classifier 를 사용하여 이러한 feature들을 결합합니다. 아래에는 재질 카테고리를 분류하기 위한 몇가지 특성들을 소개합니다. - Surface Reflectance Surface reflectance는 재질 종류와 상관관계가 있는 경우가 많습니다. 예를 들어..

CVPR2017에 게재된 material recognition 관련 논문입니다. 본 논문에서는 이미지 캡처의 small anugular variation를 이용하여 재질 분류 성능을 높이는 DAIN(Differential Angular Imaging Network)를 제안합니다. Introduction Real world scene은 나무, 대리석, 흙, 금속, 세라믹 등과 같은 다양한 재질로 만들어진 표면으로 구성되어 있고, 이는 이미지에서 풍부한 visual variation을 발생시킵니다. Material recognition은 autonomous agent, human-machine 시스템과 같은 응용 분야에 대한 자세한 재질 정보를 제공하는 것을 목표로 최근 몇 년 동안 활발한 연구가 진행되었습..