發(fā)布時間：2018-05-10 10:14

  本文選題：多模態(tài) + 稀疏自編碼　； 參考：《計算機工程與設計》2017年06期

【摘要】：針對現(xiàn)有RGB-D物體識別方法存在圖像特征學習不全面、類間相似的物體識別精度不高等問題,聯(lián)合稀疏自編碼(sparse auto-encoder,SAE)及遞歸神經(jīng)網(wǎng)絡(recursive neural networks,RNNs)提出多模態(tài)稀疏自編碼遞歸神經(jīng)網(wǎng)絡(multi-modal sparse auto-encoder and recursive neural networks,MSAE-RNNs)的深度學習模型。SAE結(jié)合卷積及池化技術(shù)分別從RGB-D圖像的RGB圖、灰度圖、深度圖、3D曲面法線中提取低層次的平移不變性特征,作為多個固定樹RNNs的輸入,得到更加抽象的高層特征,融合后的多模態(tài)特征,采用SVM分類器進行分類。在RGB-D數(shù)據(jù)集上的實驗結(jié)果表明,該算法的物體識別率達到90.7%,較其它算法提高了3%-9%,能很好完成RGB-D物體的識別。
[Abstract]:In view of the existing RGB-D object recognition methods, the image feature learning is not comprehensive, and the recognition accuracy of objects similar to each other is not high. Combined sparse self-coding Sparse auto-encodern (SAE) and recursive neural network recursive neural networks (RNNs), a multi-modal sparse self-coding recursive neural network multi-modal sparse auto-encoder and recursive neural networks-MSAE-RNNs is proposed. SAE combines convolution and pool techniques from RGB images, grayscale images, gray images of RGB-D images, etc. The translation invariance feature of low level is extracted from 3D surface normals of depth map, which is used as input of multiple fixed tree RNNs to obtain more abstract high-level features and multimodal features after fusion. SVM classifier is used for classification. The experimental results on the RGB-D dataset show that the recognition rate of the proposed algorithm is 90.7, which is 3- 9 higher than that of other algorithms, and the recognition of RGB-D objects can be accomplished well.
【作者單位】： 武漢科技大學計算機科學與技術(shù)學院;武漢科技大學湖北省智能信息處理與實時工業(yè)系統(tǒng)重點實驗室;
【基金】：國家自然科學基金面上基金項目(41571396) 國家創(chuàng)新訓練基金項目(201410488017) 省級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃基金項目(201410488038) 校級大學生科技創(chuàng)新基金項目(14ZRA079、14ZRC093)
【分類號】：TP183;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 代松;李偉生;;基于親和傳遞聚類的多類物體識別方法[J];計算機工程;2009年14期

2 鄒利華;;三種基于特征的物體識別算法對比與分析[J];軟件導刊;2010年05期

3 連靈;游旭群;;三維物體識別的心理表征:角度依賴還是角度獨立[J];心理學報;2011年09期

4 王喜順;劉曦;史忠植;隋紅建;;一種基于特征整合理論的物體識別模型(英文)[J];中國科學院研究生院學報;2012年03期

5 胡敏;齊梅;王曉華;許良鳳;;基于顯著區(qū)域詞袋模型的物體識別方法[J];電子測量與儀器學報;2013年07期

6 余少波;鞠發(fā)平;肖英明;;物體識別不變性方法比較分析(Ⅱ)——解析方法[J];海軍工程學院學報;1993年01期

7 李育賢,王洪波,趙莉;二維物體識別的暫態(tài)混沌神經(jīng)網(wǎng)絡方法[J];陜西師范大學學報(自然科學版);2000年01期

8 邵潔;董楠;;基于相關(guān)向量機的物體識別[J];上海電力學院學報;2011年02期

9 楊雄;彭剛;徐濤;劉利;蘭遠東;;物體識別的精神物理學實驗測試[J];惠州學院學報(自然科學版);2012年03期

10 徐曉;;計算機視覺中物體識別綜述[J];電腦與信息技術(shù);2013年05期

相關(guān)會議論文 前9條

1 陳柘;趙榮椿;;幾何不變性及其在3D物體識別中的應用[A];信號與信息處理技術(shù)——第一屆信號與信息處理聯(lián)合學術(shù)會議論文集[C];2002年

2 連靈;張敏;;三維物體識別的心理表征:角度依賴還是角度獨立[A];增強心理學服務社會的意識和功能——中國心理學會成立90周年紀念大會暨第十四屆全國心理學學術(shù)會議論文摘要集[C];2011年

3 周程;吳飛;莊越挺;;基于層次反饋機制的物體識別[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

4 孫彥良;任衍具;;真實場景中朝向和背景對物體識別的影響[A];第十二屆全國心理學學術(shù)大會論文摘要集[C];2009年

5 郭明瑋;朱明清;趙宇宙;王建;陳宗海;;基于生物視覺的物體識別方法研究現(xiàn)狀分析[A];第13屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集[C];2011年

6 艾浩軍;朱榮;張敏;李俊;方禹;王紅霞;;基于SIFT尺度分量的兩級匹配物體識別算法研究[A];第七屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2011)論文集【poster】[C];2011年

7 熊英;馬惠敏;;SIFT特征在三維物體識別中的應用[A];圖像圖形技術(shù)研究與應用2009——第四屆圖像圖形技術(shù)與應用學術(shù)會議論文集[C];2009年

8 魯?shù)?姜志國;;基于圖元檢測的物體識別方法研究[A];全國第一屆信號處理學術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

9 杜建洪;梁子長;;車輛走向定位技術(shù)的研究[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

相關(guān)博士學位論文 前10條

1 陸王天宇;受生物啟發(fā)的物體識別算法研究[D];復旦大學;2013年

2 王靜;視網(wǎng)膜假體中人工視覺信息處理及優(yōu)化表達研究[D];上海交通大學;2014年

3 齊勇剛;基于草圖和邊緣的物體識別[D];北京郵電大學;2015年

4 黃穎;基于圖理論的圖像處理與物體識別算法的研究[D];電子科技大學;2012年

5 劉光燦;基于機器學習的物體識別[D];上海交通大學;2013年

6 徐勝;三維物體識別研究[D];電子科技大學;2010年

7 王興剛;物體識別中的形狀建模和弱監(jiān)督學習[D];華中科技大學;2014年

8 王利明;機器視覺中物體識別方法的研究與探討[D];復旦大學;2009年

9 彭紹武;基于形狀與語義建模的物體識別[D];華中科技大學;2009年

10 朱榮;基于計算機視覺的物體分類關(guān)鍵技術(shù)研究[D];武漢大學;2011年

相關(guān)碩士學位論文 前10條

1 周淼;物體識別中與特征整合相關(guān)的腦電活動研究[D];電子科技大學;2012年

2 劉杰;小型地面移動機器人視覺圖像特征提取[D];新疆大學;2015年

3 王沁波;基于分層結(jié)構(gòu)的多物體圖像識別系統(tǒng)的設計與實現(xiàn)[D];電子科技大學;2014年

4 劉苗苗;基于2D和3D SIFT特征融合的一般物體識別算法研究[D];東南大學;2015年

5 程玉立;面向工業(yè)應用的機器人手眼標定與物體定位[D];浙江大學;2016年

6 周楠釗;基于SIFT特征的物體識別系統(tǒng)的設計與實現(xiàn)[D];蘭州大學;2016年

7 胡耀;自然場景中物體識別算法研究[D];華南理工大學;2016年

8 蔣哲翎;基于NAO機器人的物體識別與定位技術(shù)研究[D];南京大學;2016年

9 孫俊;基于卷積神經(jīng)網(wǎng)絡的電商圖片物體識別[D];電子科技大學;2016年

10 楊眷玉;基于卷積神經(jīng)網(wǎng)絡的物體識別研究與實現(xiàn)[D];電子科技大學;2016年

，

本文編號：1868901