卷积递归深度学习在3D物体分类上的应用.doc

3D传感技术的最新进展使人们有可能轻松地拍摄彩色和深度信息并存的图片,以提高物体识别的图像。目前,大多数方法对于这个新的3D方式依赖于非常精心设计的特征。引入一个基于卷积和递归神经网络(CNN和RNN)组合的模型,用于特征学习和RGB-D图像分类。CNN层用于学习低水平的平移不变性的特征,然后作为多个固定树RNN的输入,以组成高阶特征。RNN可以被看作是结合卷积,并汇集到一个高效的、分层的操作。我们的主要结果是,甚至随机权重的RNN也组成强大的特征集。我们的模型在标准RGB-D对象集上获得了较好的艺术表现力,与其他可比的架构相比(如两层CNN),在训练和测试的阶段能更准确、快捷地得到结果。