摘要

纹理分析是计算机视觉中一个经典但极具挑战性的任务，近年来深度神经网络被广泛应用于该领域。现有大多数方法通常以预训练的主干网络（backbone）为基础，构建特征聚合模块，并在特定纹理识别任务上对新架构进行微调。本文提出一种名为Random encoding of Aggregated Deep Activation Maps（RADAM）的新方法，该方法无需修改主干网络即可提取丰富的纹理表征。该技术通过使用随机自编码器（Randomized Autoencoder, RAE）对预训练深度卷积网络在不同深度的输出进行编码，实现纹理特征的高效提取。RAE针对每张图像局部训练，采用闭式解（closed-form solution）进行优化，其解码器权重被用于构建一维纹理表征，并输入线性支持向量机（SVM）进行分类。由于整个过程不涉及微调或反向传播，显著降低了计算开销。我们在多个纹理基准数据集上验证了RADAM的性能，结果表明，在不同计算预算下均取得了当前最优（state-of-the-art）的识别效果。实验结果表明，若能对预训练主干网络所学习到的表征进行更优的编码，其本身可能无需额外微调即可实现高效的纹理识别。