基于质心的概念学习用于 RGB-D 室内场景分类
计算机视觉与模式识别
2020-08-18 v4 人工智能
机器学习
摘要
本文提出一种受认知启发的 RGB-D 室内场景分类新方法。类内方差大且类间方差小使室内场景分类成为极具挑战性的任务。为应对该问题，我们提出一种受海马体与新皮层概念学习模型启发的聚类方法，为不同场景类别生成簇与质心。描绘不同场景的测试图像通过其到最近质心（概念）的距离进行分类。将 RGB-D 场景建模为质心不仅在基准数据集（SUN RGB-D 与 NYU Depth V2）上取得最先进的分类性能，还提供了一种检视与解释质心空间的方法。对我们在 RGB-D 数据集上生成的质心进行检视，促使我们提出一种合并概念相似类别的方法，从而提升所有方法的准确率。
引用
@article{arxiv.1911.00155,
title = {Centroid Based Concept Learning for RGB-D Indoor Scene Classification},
author = {Ali Ayub and Alan R. Wagner},
journal= {arXiv preprint arXiv:1911.00155},
year = {2020}
}
备注
Accepted at BMVC 2020