【摘要】：為充分利用RGB-D圖像提供的潛在特征信息,提出了多尺度卷積遞歸神經(jīng)網(wǎng)絡(luò)算法(multi-scale convolutional-recursive neural networks,Ms-CRNN)。該算法對(duì)RGB-D圖像的RGB圖、灰度圖、深度圖及3D曲面法線圖進(jìn)行不同尺度分塊形成多個(gè)通道,每個(gè)通道與相應(yīng)尺寸的濾波器卷積,提取的特征圖經(jīng)局部對(duì)比度標(biāo)準(zhǔn)化和下采樣后,作為遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural networks,RNN)層的輸入以得到更加抽象的高層特征;融合后的多尺度特征由SVM分類器進(jìn)行分類�；赗GB-D數(shù)據(jù)集的仿真實(shí)驗(yàn)結(jié)果表明,綜合利用RGB-D圖像的多尺度特征,提出的Ms-CRNN算法在物體識(shí)別率上達(dá)到88.2%,與先前方法相比有了較大的提高。
[Abstract]:In order to make full use of the latent feature information provided by RGB-D images, a multi-scale convolutional-recursive neural network (Ms-CRNN) algorithm is proposed. The algorithm blocks RGB, gray, depth and 3D surface normal maps of RGB-D images in different scales to form multiple channels, each channel and phase. According to the size of the filter convolution, the extracted feature map is normalized by local contrast and downsampled as the input of the recursive neural networks (RNN) layer to obtain more abstract high-level features; the fused multi-scale features are classified by SVM classifier. Combined with the multi-scale features of RGB-D images, the proposed Ms-CRNN algorithm achieves 88.2% of the object recognition rate, which is much higher than the previous methods.
【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)院智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金面上項(xiàng)目(41571396) 國家創(chuàng)新訓(xùn)練項(xiàng)目(201410488017)
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 金仁貴;;帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用[J];電腦知識(shí)與技術(shù);2006年29期

2 宣森炎;龔小謹(jǐn);劉濟(jì)林;;基于聯(lián)合卷積和遞歸神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];傳感器與微系統(tǒng);2014年08期

3 覃光華,丁晶;帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)及其運(yùn)用[J];人民長江;2002年01期

4 賀志強(qiáng);馮寅;;長的短時(shí)記憶(LSTM)在五聲調(diào)式和聲的應(yīng)用[J];福建電腦;2007年04期

5 劉章;陳小平;;聯(lián)合無監(jiān)督詞聚類的遞歸神經(jīng)網(wǎng)絡(luò)語言模型[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年05期

6 陳睿;黃曙光;葉春明;張亮;;基于二維RNN的CAPTCHA識(shí)別[J];小型微型計(jì)算機(jī)系統(tǒng);2014年03期

相關(guān)會(huì)議論文 前1條

1 蘇彩紅;曾永發(fā);張志飛;吳菁;;一種突觸后抑制遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其在模式識(shí)別中的應(yīng)用[A];第二十六屆中國控制會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 王揚(yáng)帆;基于偏微分方程的時(shí)滯遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)力分析與多尺度圖像處理研究[D];中國海洋大學(xué);2011年

相關(guān)碩士學(xué)位論文 前8條

1 崔志超;基于產(chǎn)品特征的中文評(píng)論情感分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];河北科技大學(xué);2015年

2 李克強(qiáng);基于Spark的大規(guī)模RNNLM系統(tǒng)[D];江蘇大學(xué);2016年

3 梁軍;基于深度學(xué)習(xí)的文本特征表示及分類應(yīng)用[D];鄭州大學(xué);2016年

4 王瑞剛;基于遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫輸入法的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

5 金留可;基于遞歸神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)命名實(shí)體識(shí)別[D];大連理工大學(xué);2016年

6 孫超紅;基于遞歸神經(jīng)網(wǎng)絡(luò)的微博情感分類研究[D];浙江理工大學(xué);2017年

7 衛(wèi)曉欣;基于長短型記憶遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫識(shí)別[D];華南理工大學(xué);2014年

8 商俊蓓;基于雙向長短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫數(shù)字公式字符識(shí)別[D];華南理工大學(xué);2015年

，

本文編號(hào)：2175779