×
陈浩天；孙凤池；袁靖；黄亚露

室内环境中物体识别的镜像条件随机场模型。 （英语） Zbl 1483.68284号

信息科学。 551, 291-303 (2021).
摘要：传统的目标识别算法基于一个普遍采用的闭集假设，假设训练中给出的知识是完整的。然而，实际情况往往是开放的和非静态的，在这种情况下，模型只在训练阶段获得不完整的知识。本文提出了一种新的条件随机场（CRF）模型来解决一种特殊的不完全知识情况，在这种情况下，某些对象的视觉外观在训练和测试之间发生了显著变化，从而从红-绿-蓝深度（RGB-D）中提取了某些一元特征（单个对象的特征）图像不再可靠。在标准CRF模型的基础上，将镜像节点引入到体系结构中，构建了镜像条件随机场（Mirror-CRF）模型，该模型集成了两类对象节点：原始节点和镜像节点。镜像节点没有一元特征，只有成对特征，它们描述两个对象之间的关系，在外观变化的情况下，比一元特征更可靠。实验结果表明，Mirror-CRF模型减少了某些对象外观显著变化的影响，提高了在知识不完全的情况下的对象识别能力。

MSC公司：

68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别
68T45型 机器视觉和场景理解

关键词：

条件随机场；不完全知识；学习系统；物体识别；场景理解

软件：

纽约大学深度
PDF格式BibTeX公司 XML格式引用
\textit{H.Chen}等人，《信息科学》。551291-303（2021年；兹比尔1483.68284）
全文： 内政部

参考文献：

[1] I.Athanasiadis，P.Mousouliotis，L.Petrou，嵌入式系统对象检测中的迁移学习框架。CoRR，2018，abs/1811.04863。网址：http://arxiv.org/abs/1811.04863。arXiv:1811.04863。
[2] 博兹坎，I。；Oymak，Y。；Alemdar等。Z。；Kalkan，S.，场景中有什么（缺失或错误）？用于情境化场景建模的混合deep-boltzmann机器，（2018 IEEE机器人与自动化国际会议（ICRA）（2018）），1-6
[3] 陈，H。；郑毅。；Zhang，Y。；Sun，F。；黄毅，基于对象-对象支持语义关系的室内红-绿-蓝深度分割，控制理论应用。，36，579-588（2019），DOI:10.7641/CTA.2018.70825·Zbl 1438.68234号
[4] 陈，Y。；潘·D。；潘，Y。；刘，S。；顾，A。；Wang，M.，通过单目RGB-D图像了解室内场景，Inf.Sci。，320，361-371（2015），DOI:10.1016/j.ins.2015.03.023
[5] 丁·L。；李，H。；胡，C。；张伟。；Wang，S.，Alexnet面向对象分类的特征提取和多核学习，ISPRS-Int.Arch。照片。，遥感空间信息科学。，XLII-3，277-281（2018）
[6] 弗洛雷斯，C.F。；Gonzalez-Garcia，A。；van de Weijer，J。；Raducanu，B.，在训练数据稀少的领域中细粒度对象识别的显著性，模式识别。，94, 62-73 (2019)
[7] C.Geng，S.Huang，S.Chen，开放集识别的最新进展：一项调查。CoRR，2018年，abs/1811.08581。网址：http://arxiv.org/abs/1811.08581。arXiv:1811.08581。
[8] J.Hammersley，P.Clifford，有限图和格上的Markov域，1971。未发表的手稿
[9] He，K。；张，X。；Ren，S。；Sun，J.，图像识别的深度剩余学习，（IEEE计算机视觉和模式识别会议论文集（2016）），770-778
[10] Huynh，D。；Elhamifar，E.，通过密集的基于属性的注意力进行细粒度广义零快照学习，（IEEE/CVF计算机视觉和模式识别会议论文集（2020）），4483-4493
[11] Janoch，A。；卡拉耶夫，S。；贾毅。；Barron，J.T。；弗里茨，M。；Saenko，K。；Darrell，T.，《类别级三维对象数据集：使用kinect》，ICCV计算机视觉消费者深度相机研讨会（2011年）
[12] M.Kaboli，《迁移学习算法综述》。技术报告hal-01575126慕尼黑理工大学，2017年。网址：https://hal.archives-overtes.fr/hal-01575126。
[13] Kasaei，S.H.，《进一步认识：学习开放式3D对象识别的共享主题和特定类别词典》，（2019年IEEE/RSJ智能机器人和系统国际会议（2019）），5438-5443
[14] Khan，S.H。；本纳蒙，M。；Sohel，F。；托涅里，R。；Naseem，I.，《使用rgbd图像整合几何上下文以对室内场景进行语义标记》，国际计算机杂志。愿景，117，1-20（2016），网址：10.1007/s11263-015-0843-8·Zbl 1398.68584号
[15] J.D.Lafferty，A.McCallum，F.C.N.Pereira，条件随机场：分割和标记序列数据的概率模型，收录于：《第十八届机器学习国际会议论文集》，2001年，Morgan Kaufmann Publishers Inc.，美国加利福尼亚州旧金山，第282-289页。网址：http://dl.acm.org/citation.cfm？id=645530.655813。
[16] H.Ma，R.Xiong，Y.Wang，S.Kodagoda，L.Shi，《面向三维点云中的开放集语义标记：未知类的分析》，神经计算275（2018）1282-1294。网址：http://www.sciencedirect.com/science/article/pii/S0925231217315904。doi:10.1016/j.neucom.2017.09.071。
[17] P.R.Mendes-Junior，J.Wainer，A.Rocha，开放集识别的专用支持向量机。CoRR，2016年，abs/1606.03802。网址：http://arxiv.org/abs/1606.03802。arXiv:1606.03802。
[18] 欧，X。；Yan，P。；Zhang，Y。；Tu，B。；张，G。；吴杰。；Li，W.，复杂场景中通过resnet-18和编码器-解码器结构的运动目标检测方法，IEEE Access，7108152-108160（2019）
[19] Pham，T。；库马尔，V.B.G。；Do，T.-T。；卡内罗，G。；Reid，I.，开放集世界中的贝叶斯语义实例分割，（欧洲计算机视觉会议（ECCV）（2018）），3-18，URL:https://arxiv.org/abs/1806.00911。
[20] Pham，T.T。；Do，T。；Sünderhauf，N。；Reid，I.，Scenect:室内场景的联合几何和对象分割，（2018 IEEE机器人与自动化国际会议（ICRA）（2018）），1-9
[21] 卡西姆，H。；Verma，A。；Feinzimer，D.，大数据场所图像识别的压缩残差-vgg16 cnn模型，（2018年IEEE第八届计算与通信研讨会（CCWC）（2018年），IEEE），169-175
[22] 齐，X。；廖，R。；贾，J。；菲德勒，S。；Urtasun，R.，用于rgbd语义分割的三维图形神经网络，IEEE国际计算机视觉会议（ICCV）（2017）
[23] J.-R.Ruiz-Sarmiento，C.Galindo，J.Gonzalez-Jimenez，无向图形模型学习方法调查。应用于场景对象识别，国际期刊近似原因。83 (2017) 434-451. 网址：http://www.sciencedirect.com/science/article/pii/S0888613X16302043。doi:10.1016/j.ijar.2016.10.009·兹伯利1404.68116
[24] Ruiz-Sarmiento，J.R。；Günther，M。；加林多，C。；González-Jiménez，J。；Hertzberg，J.，移动机器人的在线基于上下文的对象识别，（2017 IEEE自主机器人系统和竞赛国际会议（ICARSC）（2017）），247-252
[25] N.Silberman，D.Hoiem，P.Kohli，R.Fergus，从rgbd图像中进行室内分割和支持推理，见：A.Fitzgibbon，S.Lazebnik，P.Perona，Y.Sato，C.Schmid（编辑），计算机视觉-ECCV 20122012，施普林格，柏林-海德堡，柏林，海德堡，第746-760页。DOI:10.1007/978-3-642-33715-4_54。
[26] K.Simonyan，A.Zisserman，《用于大规模图像识别的极深卷积网络》，2014年。arXiv预打印arXiv:1409.1556。
[27] Song，S。；Lichtenberg，S.P。；Xiao，J.，Sun rgb-d：一个rgb-d场景理解基准套件，IEEE计算机视觉和模式识别会议（CVPR）（2015）
[28] X.Song，S.Jiang，L.Herranz，C.Chen，学习场景识别的有效RGB-D表示，IEEE Trans。图像处理。28 (2019) 980-993. 网址：doi:10.1109/TIP.2018.2872629https://www.wikidata.org/entity/Q57066513。DOI:10.1109/TIP.2018.2872629·Zbl 1409.94557号
[29] Sünderhauf，N。；O.布鲁克。；谢尔，W。；哈德塞尔，R。；福克斯，D。；莱特纳，J。；Upcroft，B。；Abbeel，P。；伯加德，W。；米尔福德，M。；Corke，P.，《机器人深度学习的局限性和潜力》，国际机器人杂志。研究，37，405-420（2018），URL:10.1177/0278364918770733。arXiv:https://doi.org/10.1177/0278364918770733
[30] Wainwright，M.J。；Jordan，M.I.，《图形模型、指数族和变分推理》，Found。趋势马赫数。学习。，1，1-305（2008），URL:10.1561/220000001·Zbl 1193.62107号
[31] 魏毅。；潘，X。；秦，H。；欧阳，W。；Yan，J.，《量化模拟：朝向用于物体检测的极小cnn》，（欧洲计算机视觉会议（ECCV）（2018）论文集），267-283
[32] 吴振中，潘石屹，陈凤，龙国龙，张振中，俞敏洪，图神经网络综合综述。CoRR，2019年，abs/1901.00596。网址：http://arxiv.org/abs/1901.00596。arXiv:1901.00596。
[33] 西安，Y。；兰伯特，C.H。；Schiele，B。；Akata，Z.，《零次学习——对好的、坏的和丑陋的综合评估》，IEEE Trans。模式分析。机器。智力。，41, 2251-2265 (2018)
[34] 肖，J。；A.欧文斯。；Torralba，A.，Sun3d：使用sfm和对象标签重建的大空间数据库，IEEE国际计算机视觉会议（ICCV）（2013）
[35] 肖，L。；王，R。；戴，B。；方，Y。；刘，D。；Wu，T.，基于混合条件随机场的道路检测摄像融合，信息科学。，543-558 (2017)
[36] 张，H。；朗，Y。；杨伟（Yang，W.）。；Shao，L.，零快照学习的双重验证网络，信息科学。，470, 43-57 (2019)
[37] 张，L。；杨，J。；张，D.，用于跨域图像分类的基于域类一致性的转移学习，信息科学。，418, 242-257 (2017)
[38] 张，Z。；乔·S。；谢，C。；沈伟（Shen，W.）。；王，B。；Yuille，A.L.，《具有丰富语义的单快照对象检测》（IEEE计算机视觉和模式识别会议论文集（2018）），5813-5821
[39] 科尔特斯，C。；Vapnik，V.，Support-Vector Networks，（机器学习，20（1995），Kluwer/Springer:Kluwer-Springer USA），273-297·Zbl 0831.68098号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。