论文阅读：Deep Filter Banks for Texture Recognition and Segmentation

---

2015年的CVPR，深度卷积特征+Fisher Vector的方法在纹理数据库上得到了比较优秀的performance

Motivation:
作者认为，对于纹理特征来说，使用全连接层的特征有一下三个问题：

1. 卷积层的特征更像一个非线性的滤波器，而全连接层能够扑捉到空间的信息，但这对纹理的表示没有用的
2. 输入层必须固定尺寸以适应全连接层的大小，这需要大量的计算
3. 浅层具有更好的传递性

Contributions:

1. 在Open Surfaces(OS)数据库的基础上又构建了一个新的数据库OSA
2. 作者将CNN中的卷积层看做为一个filter bank， 然后利用FV做pooling，这种方法在bag-of-words中经常使用。

Experiment:

1. dataset：
   纹理识别： FMD, DTD, KTH-TIPS-2b
   目标识别：PASCLA VOC 2007
   场景识别：MIT Indoor
   细粒度数据集：Caltech/UCSD Bird
2. model：在提取特征阶段，他们使用了两个网络——VGG-M和VGG-VD(very deep with 19 layers)
3. performance :

4. 在VGG-M model中，随着卷积层的变化，结果的变化情况

最后，论文中有一些地方说的很不明白，希望以后会看到相关的解释，再回来更新博客：
1. 前面明明说的使用卷积层来做baseline的特征，可是后面的结果又全都是全连接的特征来做FV pooling的，既然show出来的是FC+FV的结果是最好的，那么卷积层的特征又是怎么一回事？
2. Table 1里的SoA是什么方法？
3. Table 1中倒数第二列是如何做的？