论文部分内容阅读
最近几年,人工智能迎来了飞速发展的黄金时期,与此同时,目标识别技术作为其研究内容的一个重要方向,从最初的图像特征提取并结合机器学习分类器到非常流行的深度学习方法,目标识别的效果一直在不断地提升。除了人工智能技术,共享经济也已经充分融入到我们日常生活当中,共享积木玩具也逐渐走进大家的视野。由于积木零件种类繁多,在积木玩具归还问题上,人工清点积木零件效率低下,利用计算机识别积木玩具成了一个非常有价值的研究方向。本文主要以立体目标识别为研究课题,并以任意姿态下的积木玩具识别为例,针对课题及研究过程中碰到的问题展开了一系列研究,主要工作如下:(1)提出了基于改进多特征的分类器融合立体目标识别算法。通过改进方向梯度直方图算法以及自定义图像特征,融合多个分类器进行立体目标识别。以积木零件识别问题为例,验证了本章算法在实际应用场景中能够对任意姿态的立体目标取得很好的识别效果,也通过对比实验证明了本章算法的优越性。(2)使用基于迁移学习和精简网络结构的方法来提升小规模样本数据集下分类网络的性能。在实际应用过程中,训练样本的规模是制约网络性能的一个重要方面。本文研究了在小规模训练集的情况下,使用迁移学习的方式,将已有网络模型参数作为当前网络的部分初始值,再通过构建精简的网络后部分结构,完成本章算法的网络结构设计。实验表明,在小规模样本数据集的情况下,本章方法在立体目标识别问题上能够带来很好的性能提升,并且拥有更精简的网络结构和更小的参数规模。(3)提出了利用改进后的CycleGAN模型来生成样本辅助小规模样本集训练分类网络的算法。本算法将改进后的CycleGAN网络与分类网络融为一体形成新的网络结构,以立体目标的3D模型和小样本集为输入,实现了端到端的训练。实验表明,本算法能够提升小规模数据集下分类器的正确率,与此同时,本章算法还能够生成高质量的样本。终上所述,本文主要研究了基于改进多特征的分类器融合立体目标识别算法,此外,还针对研究过程中碰到的小规模样本数据集下网络难训练的问题,通过从迁移学习和精简网络结构的角度来缓解网络训练困难的问题,以及从扩充训练样本集的角度,提出了基于融合CycleGAN改进网络和分类网络来生成样本辅助训练分类网络的算法。结合以积木玩具识别为例的研究来看,本文提出的上述算法具备鲁棒性好,实用价值高的优点,并且在未来会有很大的推广价值。