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
• 机 构: 西安工程大学电子信息学院,陕西西安 710048;格罗宁根大学伯努利实验室,格罗宁根 9747 AG,荷兰
• 出 处: 光电工程
• 发表日期: 2021年02期
• 关键词: RGB-D图像 结构光 物体识别 深度学习 深度图像

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。