基于卷積神經(jīng)網(wǎng)絡(luò)的RGB-D圖像室內(nèi)場(chǎng)景識(shí)別研究.pdf

1、場(chǎng)景識(shí)別是計(jì)算機(jī)視覺(jué)的重要課題之一，在許多領(lǐng)域已經(jīng)得到廣泛應(yīng)用，主要包括大型數(shù)據(jù)庫(kù)的圖像信息檢索、機(jī)器人的移動(dòng)定位與環(huán)境交互、安防監(jiān)控領(lǐng)域的事件檢測(cè)等。場(chǎng)景識(shí)別具有重要的研究和應(yīng)用價(jià)值。室內(nèi)場(chǎng)景識(shí)別相較于室外場(chǎng)景識(shí)別是更具挑戰(zhàn)性的計(jì)算機(jī)視覺(jué)任務(wù)，這是由室內(nèi)場(chǎng)景本身的復(fù)雜性決定的。室內(nèi)場(chǎng)景的深度信息可以有效提高室內(nèi)場(chǎng)景的識(shí)別效果。
　　卷積神經(jīng)網(wǎng)絡(luò)已被證明在大型圖像識(shí)別上具有出色的表現(xiàn)。本文針對(duì)傳統(tǒng)計(jì)算機(jī)視覺(jué)方法在室內(nèi)場(chǎng)景識(shí)別中存在

2、的識(shí)別準(zhǔn)確率低、手動(dòng)提取的特征不夠泛化等問(wèn)題，提出使用CNNs模型對(duì)包含深度信息的RGB-D室內(nèi)場(chǎng)景圖像進(jìn)行場(chǎng)景識(shí)別的研究。
　　本文首先調(diào)研了室內(nèi)場(chǎng)景識(shí)別的研究背景與意義，分析了室內(nèi)場(chǎng)景識(shí)別的技術(shù)難點(diǎn)與挑戰(zhàn)性。深入研究了場(chǎng)景圖像的特征選擇與提取方法，分析了傳統(tǒng)計(jì)算機(jī)視覺(jué)方法與卷積神經(jīng)網(wǎng)絡(luò)模型的優(yōu)缺點(diǎn)。
　　基于AlexNet網(wǎng)絡(luò)結(jié)構(gòu)，本文根據(jù)不同的輸入特征設(shè)計(jì)5個(gè)不同的CNNs模型，使用Adam方法進(jìn)行訓(xùn)練，通過(guò)試驗(yàn)分析C

3、NNs模型對(duì)室內(nèi)場(chǎng)景識(shí)別的效果以及深度信息對(duì)識(shí)別效果的影響。
　　為了進(jìn)一步探討CNNs模型的內(nèi)在視覺(jué)機(jī)制，本文對(duì)CNNs的參數(shù)做可視化效果呈現(xiàn)，分析CNNs模型的視覺(jué)機(jī)理。此外，本文還使用反向傳播算法計(jì)算出給定場(chǎng)景圖像給定分類(lèi)標(biāo)簽下CNNs模型對(duì)圖像的顯著圖并可視化，探討室內(nèi)場(chǎng)景識(shí)別的注意力機(jī)制。
　　試驗(yàn)結(jié)果表明CNNs模型獲得的分類(lèi)準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)的計(jì)算機(jī)視覺(jué)方法，增加深度信息可以有效提高場(chǎng)景分類(lèi)的準(zhǔn)確率。CNNs模型