结合超限学习机和融合卷积网络的3D物体识别方法

摘要 本文提出了一种新型的结合超限学习机（ELM）和融合卷积网络（CCN）的模型，并用于3D物体的特征提取和分类.模型以3D物体的多视角投影图作为输入，经过多层融合卷积网络提取特征，利用半随机的ELM网络进行分类.卷积网络由提出的融合卷积单元组成，它是一种改进的残差单元，多个并行残差通道上的卷积核个数依次增加，相同大小的卷积核参数共享.半数卷积核参数以高斯分布随机产生，其余通过训练寻优得到.它能拟合更复杂的残差项函数，增加低层网络的特征表达能力.同时网络结构规范简洁，便于训练和优化.本文的方法在普林斯顿3D模型标准数据集上的识别率达到了92.86%.实验表明，提出的方法的识别率比现有的ELM方法和深度学习等最新方法的识别率更高，并且其调节参数少，收敛速度快