基于 RGB-D 的动态图神经网络及其自适应特征选择用于室内场景识别
计算机视觉与模式识别
2026-04-02 v1
摘要
RGB-D 数据的多模态性质（即彩色与深度）在近期室内场景识别研究中至关重要。在此类数据表示中，深度图能够描述场景的三维结构以及物体之间的几何关系。以往研究表明，两种模态的局部特征对提高识别精度至关重要。然而，在该领域，针对这些关键局部特征的自适应选择与有效利用的问题尚未得到解决。本文提出一种带有自适应节点选择机制的动态图模型，以解决上述问题。在该模型中，构建动态图以建模物体和场景之间的关系，并提出一种自适应节点选择方法，从两种模态（RGB 与深度）中提取关键局部特征用于图建模。随后，这些节点按三个不同层次进行分组，分别表示物体之间的近或远关系。此外，根据注意力权重动态更新图模型。最后，将更新和优化后的 RGB 与深度模态特征融合，用于室内场景识别。在包括 SUN RGB-D 和 NYU Depth v2 在内的公开数据集上进行实验。广泛的结果表明，我们的方法在与领先技术进行比较时表现出优势，显示出该方法能够有效利用 RGB 与深度两种模态的关键局部特征。
引用
@article{arxiv.2604.00372,
title = {Dynamic Graph Neural Network with Adaptive Features Selection for RGB-D Based Indoor Scene Recognition},
author = {Qiong Liu and Ruofei Xiong and Xingzhen Chen and Muyao Peng and You Yang},
journal= {arXiv preprint arXiv:2604.00372},
year = {2026}
}