基于改进双流卷积递归神经网络的RGB-D物体识别方法

• 作者: 李珣 李林鹏 Alexander Lazovik 王文杰 王晓华
• 来源期刊: 光电工程
• 关键词: RGB-D图像 结构光 物体识别 深度学习 深度图像
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 科研论文|Article
• 页码范围: 21-30
• 页数: 10页
• 分类号: TP391.4|TP183
• 语种: 中文
• DOI: 10.12086/oee.2021.200069

摘要

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN).将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用Softmax生成概率分布.最后,使用标准数据集进行实验,结果表明,Re-CRNN算法的RGB-D物体识别准确率为94.1％,较现有基于图像的物体识别方法有显著的提升.