Resumen

La clasificación de escenas interiores desempeña un papel vital en la cognición del entorno de un robot de servicio. Con el desarrollo del aprendizaje profundo, el ajuste fino de CNN (Red Neuronal Convolucional) en conjuntos de datos objetivo se ha convertido en una forma popular de resolver problemas de clasificación. Sin embargo, este método no puede obtener resultados satisfactorios en la clasificación de escenas interiores debido al sobreajuste cuando los conjuntos de datos de entrenamiento de escenas son insuficientes. Para resolver este problema, en este artículo se propone un método de clasificación de escenas interiores que utiliza las características de la CNN de las imágenes de escenas para generar características de categoría de escenas y clasificar las escenas mediante un nuevo algoritmo de coincidencia de características. Este nuevo algoritmo de coincidencia de características puede mejorar aún más la velocidad de la clasificación de escenas. Además, nuestro método elimina el sobreajuste incluso cuando los datos de entrenamiento son limitados. El método presentado fue evaluado en dos conjuntos de datos de escenas de referencia, el conjunto de datos Scene 15 y el conjunto de datos MIT 67, obteniendo un 96.49% y un 81.69% de precisión, respectivamente. Los resultados experimentales mostraron que nuestro método era superior a otros métodos de clasificación de escenas en términos de precisión, velocidad y robustez. Para evaluar aún más nuestro método, se realizaron experimentos de prueba en imágenes de escenas desconocidas del conjunto de datos SUN 397, y los modelos basados en diferentes conjuntos de datos de entrenamiento obtuvieron una precisión de prueba del 94.34% y del 79.80% respectivamente, lo que demostró que el método propuesto tenía un buen rendimiento en la clasificación de escenas interiores.

• Materias:Control de microvehículos aéreos Tecnología de exoesqueleto Clasificación de escenas Técnicas de escaneo Enfoque antropocéntrico
• Subjects:Aerial microvehicle control Exoskeleton technology Scene classification Scanning techniques Anthropocentric approach
• Palabras claves:Clasificación de escenas de interior; Aprendizaje profundo; CNN; Sobreajuste; Algoritmo de coincidencia de características; Conjuntos de datos de referencia.
• Keywords:Indoor scene classification; Deep learning; CNN; Overfitting; Feature matching algorithm; Benchmark datasets