纹理作为一种重要的视觉线索,广泛存在于自然界各种物体的表面,在图像中表现为特征值强度的某种局部重复模式的宏观表现。纹理图像分类研究有超过50多年的历史,期间提出了许多理论和算法,主要包括基于传统手工描述符的算法与基于深度学习的方法。传统手工描述符方法通常是基于对纹理的一些假设而手工制作的特征,由于不同的纹理数据集包含不同类型的纹理,因此,手工描述符的表现通常是因数据集而异。与此同时部分纹理数据集的图像是在实验室环境理想状态下获得的,没有考虑在复杂的现实世界中获取的纹理图像,所以传统手工描述符在复杂的纹理数据集上表现显得差强人意。虽然深度学习方法相较传统手工描述符方法有较强的泛化能力,但是由于纹理数据集数据量的匮乏,使用深度学习方法进行纹理分类时通常会出现严重的过拟合问题。针对以上问题本文首先提出一种新的卷积神经网络模型用于纹理分类。随后提出了一个新的损失函数Texture Loss来缓解深度学习模型上过拟合的问题。最后提出一种深浅层特征向量的融合方法与一种噪声类数据增强方法用于纹理分类任务。具体内容如下:1.本文提出了一种基于混合尺度密集连接SE注意力连接块的卷积神经网络用于纹理分类问题。本文使用混合尺度卷积操作替换了原来的3×3卷积操作,以便于可以轻松地捕捉更多不同尺度的特征。同时,本文在每层输出特征图后加入Squeeze-and-Excitation attention（SE注意力）,将整个空间特征编码汇聚在一个通道上作为一个全局特征来增强重要信息,同时抑制不重要的信息。2.在纹理分类任务中,使用深度神经网络训练时通常会出现严重的过拟合问题。本文提出了一个新的损失函数Texture Loss来缓解纹理分类任务上过拟合问题。与传统分类任务中的标准交叉熵损失函数相比,Texture Loss在交叉熵损失函数的基础上增加了动态正则化项。通过减少分类不好的样本上的正则项,增加分类好的样本上的正则项,可以减缓过拟合的问题,从而提高分类的正确率。3.提出一种深浅层特征向量的融合的方法。首先,本文对网络的浅层与中层输出的特征图分别执行空间金字塔池化操作,将不同尺寸的特征图输出为同一维度,随后再对每一个输出的特征向量进行两次线性变换得到深浅层的特征向量。最后,将深浅层的特征向量进行级联操作后得到最终的特征向量送入分类器。同时,本文还提出一种数据增强方法,将Cartoon GAN生成一对一配对的FMD的卡通数据集作为第十一个类别加入到FMD数据集中。为了出现避免验证集中出现训练集中的配对的数据集的情况,本文先将原始的FMD数据集随机分割为训练集和验证集,然后将所有训练集匹配的卡通图像作为一个新的类别加入到数据集中。