تحليل النسيج هو مهمة كلاسيكية لكنها صعبة في رؤية الحاسوب، حيث يتم تطبيق الشبكات العصبية العميقة بنشاط عليها. تعتمد معظم الطرق على بناء وحدات تجميع الميزات حول هيكل أساسي مُدرَّب مسبقًا، ثم تحسين الدقة المعمارية الجديدة على مهام محددة لتمييز النسيج. نقترح هنا طريقة جديدة تُسمى \textbf{R}andom encoding of \textbf{A}ggregated \textbf{D}eep \textbf{A}ctivation \textbf{M}aps (RADAM)، التي تستخرج تمثيلات نسيجية غنية دون الحاجة إلى تغيير الهيكل الأساسي أبدًا. تتكون هذه الطريقة من تشفير الإخراج عند عمق مختلف في شبكة تلافيفية عميقة مُدرَّبة مسبقًا باستخدام مُشفِّر تلقائي عشوائي (RAE). يتم تدريب RAE محليًا لكل صورة باستخدام حل تحليلي مغلق، وتُستخدم أوزان مُفكِّك RAE لتكوين تمثيل نسيجي أحادي البُعد يُقدَّم إلى آلة دعم متجهة خطية (SVM خطي). وهذا يعني أنه لا حاجة إلى تحسين الدقة أو التدرج العكسي (backpropagation). قمنا باستكشاف أداء RADAM على عدة معايير للنسيج، وحققنا نتائج رائدة في المجال بموازنة مختلفة من الموارد الحسابية. تشير نتائجنا إلى أن الهياكل الأساسية المُدرَّبة مسبقًا قد لا تحتاج إلى تحسين دقيق للدقة في مهام تمييز النسيج إذا كانت تمثيلاتها المُتعلمة مُشفَّرة بشكل أفضل.