徐江浪，李林燕，万新军，胡伏原*

（1.苏州科技大学电子与信息工程学院，江苏苏州 215009；2.苏州经贸职业技术学院信息技术学院，江苏苏州 215009）

（*通信作者电子邮箱fuyuanhu@mail.usts.edu.cn）

0 引言

近些年来，随着互联网的普及以及人们生活水平的不断提高，场景识别技术的发展为人们带来越来越多的服务和便利。室内场景识别是场景识别的关键部分，室内场景识别技术的发展在智能家居、服务机器人、安防监控等领域都有着广阔的应用前景［1-2］。

在早期，室内场景识别一般都是利用颜色、纹理、形状等特征进行识别，随着诸如尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）、加速健壮特征（Speeded-Up Robust Features，SURF）、方向梯度直方图（Histogram of Oriented Gradients，HOG）等算子的广泛应用，比较流行的分类方法是利用各种算子提取场景特征，以此训练出较好的模型实现场景识别，其中应用较广的是词袋（Bag-Of-Words，BOW）模型，产生了基于BoW 模型的一系列场景识别方法。Lazebnik 等［3］提出的一种基于空间金字塔（Spatial Pyramid）的BOW 模型场景识别方法为后来的研究学者提供了思路，不少学者在此基础上作出了改进和创新；但是这类方法很大程度上依赖人工算子进行特征提取，导致泛化能力不足，而深度学习方法在这一方面有了很大的改善。

在基于深度学习的方法中，出现了多种以卷积神经网络（Convolutional Neural Network，CNN）为基础的方法［4-7］。由于复杂的室内场景包含多种目标，全局特征难以表达这些目标特征，基于此，Quattoni等［8］提出结合全局特征（Global Feature）和局部特征（Local Feature）来识别室内场景，利用局部特征表示目标特征，提高了识别准确率。Cheng等［9］提出一种用于场景识别的具有对象性的语义描述符方法，利用不同场景中对象配置的相关性，通过场景中所有对象的共现模式来选择有代表性的和有区别的对象，增强了类间的可区分性。……