本文選題：多模態(tài) + 稀疏自編碼�。� 參考：《計(jì)算機(jī)工程與設(shè)計(jì)》2017年06期

【摘要】：針對(duì)現(xiàn)有RGB-D物體識(shí)別方法存在圖像特征學(xué)習(xí)不全面、類間相似的物體識(shí)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(luò)(recursive neural networks,RNNs)提出多模態(tài)稀疏自編碼遞歸神經(jīng)網(wǎng)絡(luò)(multi-modal sparse auto-encoder and recursive neural networks,MSAE-RNNs)的深度學(xué)習(xí)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(gè)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(jìn)行分類。在RGB-D數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法的物體識(shí)別率達(dá)到90.7%,較其它算法提高了3%-9%,能很好完成RGB-D物體的識(shí)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(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;武漢科技大學(xué)湖北省智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金面上基金項(xiàng)目(41571396) 國家創(chuàng)新訓(xùn)練基金項(xiàng)目(201410488017) 省級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃基金項(xiàng)目(201410488038) 校級(jí)大學(xué)生科技創(chuàng)新基金項(xiàng)目(14ZRA079、14ZRC093)
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

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(shí)別方法[J];計(jì)算機(jī)工程;2009年14期

2 鄒利華;;三種基于特征的物體識(shí)別算法對(duì)比與分析[J];軟件導(dǎo)刊;2010年05期

3 連靈;游旭群;;三維物體識(shí)別的心理表征:角度依賴還是角度獨(dú)立[J];心理學(xué)報(bào);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(shí)別模型(英文)[J];中國科學(xué)院研究生院學(xué)報(bào);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(shí)別方法[J];電子測(cè)量與儀器學(xué)報(bào);2013年07期

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

7 李育賢,王洪波,趙莉;二維物體識(shí)別的暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)方法[J];陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年01期

8 邵潔;董楠;;基于相關(guān)向量機(jī)的物體識(shí)別[J];上海電力學(xué)院學(xué)報(bào);2011年02期

9 楊雄;彭剛;徐濤;劉利;蘭遠(yuǎn)東;;物體識(shí)別的精神物理學(xué)實(shí)驗(yàn)測(cè)試[J];惠州學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年03期

10 徐曉;;計(jì)算機(jī)視覺中物體識(shí)別綜述[J];電腦與信息技術(shù);2013年05期

相關(guān)會(huì)議論文 前9條

1 陳柘;趙榮椿;;幾何不變性及其在3D物體識(shí)別中的應(yīng)用[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

2 連靈;張敏;;三維物體識(shí)別的心理表征:角度依賴還是角度獨(dú)立[A];增強(qiáng)心理學(xué)服務(wù)社會(huì)的意識(shí)和功能——中國心理學(xué)會(huì)成立90周年紀(jì)念大會(huì)暨第十四屆全國心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

3 周程;吳飛;莊越挺;;基于層次反饋機(jī)制的物體識(shí)別[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

4 孫彥良;任衍具;;真實(shí)場(chǎng)景中朝向和背景對(duì)物體識(shí)別的影響[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)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(shí)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(yīng)用學(xué)術(shù)年會(huì)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(jí)匹配物體識(shí)別算法研究[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

7 熊英;馬惠敏;;SIFT特征在三維物體識(shí)別中的應(yīng)用[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

8 魯?shù)?姜志國;;基于圖元檢測(cè)的物體識(shí)別方法研究[A];全國第一屆信號(hào)處理學(xué)術(shù)會(huì)議暨中國高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理分會(huì)籌備工作委員會(huì)第三次工作會(huì)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(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 陸王天宇;受生物啟發(fā)的物體識(shí)別算法研究[D];復(fù)旦大學(xué);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(dá)研究[D];上海交通大學(xué);2014年

3 齊勇剛;基于草圖和邊緣的物體識(shí)別[D];北京郵電大學(xué);2015年

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

5 劉光燦;基于機(jī)器學(xué)習(xí)的物體識(shí)別[D];上海交通大學(xué);2013年

6 徐勝;三維物體識(shí)別研究[D];電子科技大學(xué);2010年

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

8 王利明;機(jī)器視覺中物體識(shí)別方法的研究與探討[D];復(fù)旦大學(xué);2009年

9 彭紹武;基于形狀與語義建模的物體識(shí)別[D];華中科技大學(xué);2009年

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

相關(guān)碩士學(xué)位論文 前10條

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

2 劉杰;小型地面移動(dòng)機(jī)器人視覺圖像特征提取[D];新疆大學(xué);2015年

3 王沁波;基于分層結(jié)構(gòu)的多物體圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

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

5 程玉立;面向工業(yè)應(yīng)用的機(jī)器人手眼標(biāo)定與物體定位[D];浙江大學(xué);2016年

6 周楠釗;基于SIFT特征的物體識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];蘭州大學(xué);2016年

7 胡耀;自然場(chǎng)景中物體識(shí)別算法研究[D];華南理工大學(xué);2016年

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

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

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

，

本文編號(hào)：1868901