基于混合卷积自编码极限学习机的RGB-D物体识别
有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键.针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构,包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM),该结构合并了CNN的有效性和AE-ELM快速性的优点.它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征,然后在共享层合并两种模型特征,输入到自编码极限学习机中以得到高层次的特征,最终的特征使用极限学习机(ELM)进行分类,以获得更好的快速泛化能力.文中在标准的RGB-D数据集上进行了评估测试,其实验结果表明,相比较深度学习和其他的ELM方法,文中的混合卷积自编码极限学习机模型取得了良好的测试准确率,并且有效地缩减了训练时间.
极限学习机、卷积神经网络、自编码极限学习机、物体识别
47
TP391.4(计算技术、计算机技术)
国家自然科学基金青年科学基金61402368;瞬态冲击技术重点实验室基金61426060103162606007
2018-03-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
52-59