注意力机制融合深度神经网络的室内场景识别方法

薛永杰，巨志勇

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

室内场景识别是机器人视觉领域的基本课题之一，其目的为让机器人能够通过分析物体之间的位置关系和物体自身属性，使其能够以人类的理解角度来感知环境[1]，但实际生活中物体的复杂类内差异性与类间相似性，增加了各场景信息整合及逻辑推理的难度.因此，如何提取语义线索进行场景识别，在室内场景识别领域仍是一个具有挑战性的研究课题.

近年来，人工智能科技的发展日益加快，产生了许多基于机器学习的室内场景识别算法.Fan等[2]提出一种自适应多尺度系统，采用具有多并行通道的多层识别机制，将各通道空间尺度上的位置组合以进行位置场景识别.Fabio等[3]将目标位置属性分布输入贝叶斯分类器，结合降维手段生成统计模型，以进行场景分类.Yang等[4]提出改进隐狄利克雷分配模型结合K均值算法来学习和识别场景.上述方法与相关研究[5-7]提升了对视觉信息的获取，使其能够被充分利用，然而这些方法仅仅关注于纹理、颜色和几何结构等简单特征，并没有充分利用图像中的语义成分.因此对于复杂场景的识别，特别是开放布局的室内场景识别会有困难.

随着深度学习应用在图像描述和文本分类领域的快速发展，部分学者提出了RNN[8]、N-gram[9]、Word2Vec[10]等自然语言模型.并使用正则化[11]、批量标准化[12]、残差网络[13]等方法处理梯度消失或过拟合等问题.Chingiz等[14]提出了……