基于改进卷积神经网络结构的机器视觉室内定位算法
针对当前基于卷积神经网络的机器视觉室内定位算法定位精度低及需要庞大的图像数据库训练神经网络等问题,提出一种改进卷积神经网络结构及基于多层迁移学习的复杂神经网络模型训练方法.新的卷积神经网络结构由一个完整的U-Net、两个VGG16Net的前13层、一个VGG16Net的后3层全连接层及ArcFace分类器构成.U-Net的作用是从RGB图像中提取出语义分割图像;两个VGG16Net的前13层用于分别从RGB图像及语义分割图像中提取位置特征;VGG16Net的后3层全连接层用于融合这两类位置特征;ArcFace分类器用于获得最终的分类结果.为实现仅使用小的数据集就能训练复杂深度卷积神经网络,设计了一种基于多层迁移学习的复杂卷积神经网络训练方法.实验证明,所提算法能准确定位室内移动机器人,较基于RGB图像及基于语义分割图像的方法,定位准确率分别提高了 10.7%及11.8%.
卷积神经网络;室内定位算法;语义分割技术;迁移学习
40
TP391.4(计算技术、计算机技术)
2021-06-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
58-64