Catégorisation des matériaux spécifique à la classe

Bien qu'une quantité considérable de travaux ait été publiée sur la classification des matériaux, relativement peu étudient les situations avec une variation considérable au sein de chaque classe. De nombreuses expériences utilisent exactement le même échantillon, ou différents patches de la même image, pour les ensembles d'entraînement et de test. Ainsi, de telles études sont vulnérables à reconnaître efficacement un échantillon particulier d'un matériau par rapport à la catégorie de matériau. En revanche, cet article met fermement l'accent sur la capacité de généraliser à des instances antérieures non vues de matériaux. Nous adoptons une stratégie basée sur l'apparence et réalisons des expériences sur une nouvelle base de données qui contient plusieurs échantillons de chacune des onze catégories de matériaux, imaged sous une variété de poses, d'éclairages et de conditions d'échelle. Ensemble, ces sources de variation intra-classe représentent un défi de taille pour la reconnaissance. Étonnamment, la différence de performance entre divers descripteurs de texture à la pointe de la technologie s'avère plutôt minime dans cette tâche. D'autre part, nous démontrons clairement que des gains très significatifs peuvent être réalisés via différentes techniques de classification basées sur SVM. La sélection de paramètres de noyau appropriés s'avère cruciale. Cela motive un nouveau schéma de reconnaissance basé sur un arbre de décision. Chaque nœud contient un SVM pour séparer une classe de toutes les autres avec un paramètre de noyau optimal pour ce nœud particulier. Ainsi, chaque décision est prise en utilisant une métrique spécifique à la classe différente et optimale. Les expériences montrent la supériorité de cette approche par rapport à plusieurs classificateurs à la pointe de la technologie.