APP下载

面向RGB-D场景解析的三维空间结构化编码深度网络

2018-01-08王泽宇吴艳霞张国印布树辉

计算机应用 2017年12期
关键词:深度特征

王泽宇,吴艳霞,张国印,布树辉

(1.哈尔滨工程大学 计算机科学与技术学院,哈尔滨 150001; 2.西北工业大学 航空学院,西安 710072)

面向RGB-D场景解析的三维空间结构化编码深度网络

王泽宇1,吴艳霞1*,张国印1,布树辉2

(1.哈尔滨工程大学 计算机科学与技术学院,哈尔滨 150001; 2.西北工业大学 航空学院,西安 710072)

有效的RGB-D图像特征提取和准确的3D空间结构化学习是提升RGB-D场景解析结果的关键。目前,全卷积神经网络(FCNN)具有强大的特征提取能力,但是,该网络无法充分地学习3D空间结构化信息。为此,提出了一种新颖的三维空间结构化编码深度网络,内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法。该算法能够比较准确地学习和描述物体所处3D空间的物体分布。通过该深度网络,不仅能够提取包含多层形状和深度信息的分层视觉特征(HVF)和分层深度特征(HDF),而且可以生成包含3D结构化信息的空间关系特征,进而得到融合上述3类特征的混合特征,从而能够更准确地表达RGB-D图像的语义信息。实验结果表明,在NYUDv2和SUNRGBD标准RGB-D数据集上,该深度网络较现有先进的场景解析方法能够显著提升RGB-D场景解析的结果。

全卷积神经网络;图模型;空间结构化编码算法;分层视觉特征;分层深度特征;空间关系特征;混合特征

0 引言

随着智能时代的到来,场景解析作为计算机视觉研究方向上的重要技术领域,近年来取得了突飞猛进的发展,这对于有效地实现目标检测[1]、姿态估计[2]以及图像检索[3]等智能任务起到至关重要的作用。……

登录APP查看全文

猜你喜欢

深度特征
如何表达“特征”
不忠诚的四个特征
深度观察
深度观察
深度观察
深度观察
提升深度报道量与质
线性代数的应用特征