用于RGB-D楼梯识别的无监督域适应学习算法
计算机视觉与模式识别
2019-03-22 v4
摘要
检测和识别楼梯为上、下和负（例如梯子）是帮助视障者在陌生环境中独立出行的基础。以往的研究侧重于使用大量RGB-D场景数据训练基于传统机器学习（ML）的模型来检测和识别楼梯。然而，传统ML技术的性能受到标记RGB-D楼梯数据量的限制。在本文中，我们在深度架构中应用无监督域适应方法，将从标记的RGB-D固定楼梯数据集学到的知识迁移到未标记的RGB-D自动扶梯数据集。通过利用域适应方法，我们的基于前馈卷积神经网络（CNN）的特征提取器（具有5个卷积层）在测试标记的固定楼梯数据时达到了100%的分类准确率，在测试未标记的自动扶梯数据时达到了80.6%的分类准确率。我们证明了该方法在数据有限的情况下对两个域的楼梯分类的成功。为了进一步证明该方法的有效性，我们还验证了没有域适应的相同CNN模型，并将其结果与我们提出的架构的结果进行了比较。
引用
@article{arxiv.1903.01212,
title = {Unsupervised Domain Adaptation Learning Algorithm for RGB-D Staircase Recognition},
author = {Jing Wang and Kuangen Zhang},
journal= {arXiv preprint arXiv:1903.01212},
year = {2019}
}
备注
7 pages, 5 figures, 17 reference