学习深度 NBNN 表示以实现鲁棒的场所分类
机器人学
2018-05-30 v2 计算机视觉与模式识别
摘要
本文提出了一种利用 RGB 相机获取的数据进行语义场所分类的方法。以往关于视觉场所识别与分类的研究表明，将预训练卷积神经网络（CNN）提取的特征与基于部件的分类模型相结合，即使存在遮挡和严重视角变化，也能实现高识别精度。受这些工作启发，我们提出利用局部深度表示，将图像表示为区域集合，并应用朴素贝叶斯最近邻（NBNN）模型进行图像分类。与以往仅将 CNN 用作特征提取器的方法不同，我们的方法将 NBNN 模型无缝集成到全卷积神经网络中。实验结果表明，所提算法优于基于预训练 CNN 模型的现有方法，且在具有挑战性的机器人场所识别任务中，对遮挡、环境与传感器变化具有鲁棒性。
引用
@article{arxiv.1702.07898,
title = {Learning Deep NBNN Representations for Robust Place Categorization},
author = {Massimiliano Mancini and Samuel Rota Bulò and Elisa Ricci and Barbara Caputo},
journal= {arXiv preprint arXiv:1702.07898},
year = {2018}
}