基于混合卷积自编码极限学习机RGB-D物体识别.PDFVIP

第 47 卷第 2 期 红外与激光工程 2018 年 2 月 Vol.47 No.2 Infrared and Laser Engineering Feb. 2018 笠特约专栏 笠 基于混合卷积自编码极限学习机的 RGB-D 物体识别 殷云华 1,2 ，李会方 1 (1. 西北工业大学 电子信息学院，陕西 西安 710072 ； 2. 瞬态冲击技术重点实验室，北京 102202) 摘 要 ： 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。 关键词 ： 极限学习机； 卷积神经网络； 自编码极限学习机； 物体识别 中图分类号 ： TP391.4 文献标志码 ： A DOI ： 10.3788/IRLA201847.0203008 RGB-D object recognition based on hybrid convolutional auto鄄encoder extreme learning machine Yin Yunhua1,2, Li Huifang1 (1. School of Electronics and Information, Northwestern Polytechnical University, Xi ′an 710072, China; 2. Science and Technology on Transient Impact Laboratory, Beijing 102202, China) Abstract: Learning rich representations efficiently plays an important role in RGB -D object recognition task, which is crucial to achieve high generalization performance. For the long training time of convolutional neural networks, a Hybrid Convolutional Auto鄄Encoder Extreme Learning Machine Structure (HCAE-ELM) was put forward which included Convolutional Neural Network (CNN) and Auto鄄Encoder Extreme Learning Machine (AE -ELM), which combined the power of CNN