使用深度卷积神经网络进行室内空间识别：以麻省理工学院校园为例
计算机视觉与模式识别
2016-10-11 v1
摘要
在本文中，我们提出了一种使用深度卷积神经网络（DCNN）来识别和解读室内空间的稳健且简约的方法。DCNN 在物体和场景识别中取得了令人难以置信的成功。在本研究中，我们设计并训练了一个 DCNN，用于对预分区的室内空间进行分类，并从单张手机照片中识别已学习的空间特征，无需额外的辅助技术。我们在麻省理工学院校园建筑内收集了超过 600,000 张图像来训练我们的 DCNN 模型，基于空间尺度固定模型，在验证数据集上达到了 97.9% 的准确率，在测试数据集上达到了 81.7% 的准确率。此外，通过多尺度分类模型，识别准确率和空间分辨率有潜力得到进一步提高。我们通过类别激活映射（CAM）技术识别出具有判别力的图像区域，以观察模型如何识别空间并以抽象方式进行解读的行为。通过使用误分类矩阵评估结果，我们通过考察室内空间的视觉相似性和视觉独特性来研究其视觉空间特征，为室内设计、人类室内感知和寻路研究提供见解。本文的贡献有三方面。首先，我们提出了一种使用 DCNN 进行室内导航的稳健且简约的方法。其次，我们证明了 DCNN 即使在剧烈的外观变化下，也具有空间特征学习和识别的潜在能力。第三，我们引入了一种基于 DCNN 的方法来审视室内空间的视觉相似性和视觉独特性。
引用
@article{arxiv.1610.02414,
title = {Indoor Space Recognition using Deep Convolutional Neural Network: A Case Study at MIT Campus},
author = {Fan Zhang and Fabio Duarte and Ruixian Ma and Dimitrios Milioris and Hui Lin and Carlo Ratti},
journal= {arXiv preprint arXiv:1610.02414},
year = {2016}
}
备注
22 pages; 14 figures