深度热成像：通过深度学习空间表面温度模式识别野外近似材料类型

我们介绍了深度热成像，这是一种用于近距离自动识别材料的新方法，以增强对人们及其周围环境中的通用技术的理解。我们的方法使用集成到智能手机中的低成本移动热成像仪来捕捉热纹理。深度神经网络将这些纹理分类为不同的材料类型。这种方法在无需环境光源或直接接触材料的情况下有效工作。此外，使用深度学习网络消除了为不同材料手工制作特征集的需要。我们通过训练系统识别室内和室外环境中的32种材料类型来评估系统的性能。我们的方法在15种室内材料的14,860张图像中产生了超过98%的识别准确率，在17种室外材料的26,584张图像中产生了超过89%的识别准确率。最后，我们讨论了其在HCI应用中实时使用的潜力以及未来的研究方向。