当前位置: 首页 > 科技成果列表 > 科技成果详细

一种结合深度学习与稀疏表示的室内场景识别方法

技术类型:发明专利

技术成熟度:研发

转让方式:技术转让、技术许可、技术入股

专利申请日:2016-12-08

专利所属地 :中国

专利号:CN201611120285.8

应用领域:通用仪器仪表制造

技术领域:电子信息

交易价格:面议专利价值评估

应用案例:否

了解与分析本科技成果,可查看成果概况并使用以下技术转移数智化应用工具:
成果概况
简介

本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,具体包括以下步骤:

  1. 从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余图像作为测试样本。

  2. 利用Fast-RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征。

  3. 利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征。

  4. 对训练样本中的中层特征进行糅合,构建得到稀疏字典。

  5. 利用稀疏字典对测试样本进行稀疏表示,并根据求解出的稀疏解与所输入的测试样本计算得到残差。

  6. 根据残差的大小判断测试样本所属的物体类别。

  7. 将判断得到的所属物体类别输出。

本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。

(此文字表达经过AI优化完善,查看原文请点击 原文)
专利基本信息
专利名称 一种结合深度学习与稀疏表示的室内场景识别方法
专利状态 - 专利号(申请号) CN201611120285.8
申请号 - 专利申请日期 2016-12-08
专利授权日期 2017-05-10 专利权届满日 -
专利所属地 中国 专利类型 发明专利
发明人 孙宁;朱小英;刘佶鑫;李晓飞
权利人 -
专利摘要 本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤:从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
成果评价分析
技术应用分析
服务案例
Baidu
map