基于深度学习的场景分类算法

目前出现的相对流行的场景分类方法主要有以下三类：

 

（1）     基于对象的场景分类：

这种分类方法以对象为识别单位，根据场景中出现的特定对象来区分不同的场景；

 

 基于视觉的场景分类方法大部分都是以对象为单位的，也就是说，通过识别一些有

代表性的对象来确定自然界的位置。典型的基于对象的场景分类方法有以下的中间步骤：

特征提取、重组和对象识别。

 

缺点：底层的错误会随着处理的深入而被放大。例如，上位层中小对象的识别往往会受到下属层

相机传感器的原始噪声或者光照变化条件的影响。尤其是在宽敞的环境下，目标往往会非常分散，

这种方法的应用也受到了限制。需要指出的是，该方法需要选择特定环境中的一些固定对

象，一般使用深度网络提取对象特征，并进行分类。

 

算法：AlexNet。

                    除了传统的卷积层、pooling层、全连接层。AlexNet加入了

                    （1）非线性激活函数：ReLU；

                    （2）防止过拟合的方法：Dropout，Dataaugmentation。同时，使用多个GPU，LRN归一化层。

 

算法：VGG-Net。

                    不同于AlexNet的地方是：VGG-