今日頭條
官方微信
官方抖音
資訊頻道在機器人領域，場景識別可以幫助機器人理解周圍環(huán)境，完成精準的作業(yè)任務。隨著人工智能技術(shù)在各行業(yè)的深入應用，對場景識別的準確性和魯棒性要求不斷提高。
在實際場景中，光照變化、物體遮擋、視角差異及同類場景的多樣性，容易導致識別方法難以提取穩(wěn)定且具代表性的特征。此外，復雜場景中多語義信息的高效融合、避免信息冗余或丟失，以及提升模型泛化能力，是亟待解決的技術(shù)難點。
近日，中國科學院沈陽自動化研究所光電信息技術(shù)研究室機器視覺研究部科研團隊提出了一種結(jié)合CLIP多模態(tài)模型的場景識別新方法——OSFA（Object-Level and Scene-Level Feature Aggregation）。該方法通過動態(tài)聚合對象級與場景級特征，可以顯著提升復雜場景的分類精度與魯棒性。
OSFA方法框架
首先，科研人員將CLIP的視覺特征作為先驗信息，采用對象級交叉注意力機制，提取與場景高度相關(guān)的局部細節(jié)特征。隨后，利用CLIP的文本編碼器生成類別文本語義信息，引導從圖像中提取全局語義特征，再通過場景級交叉注意力機制形成最終的場景表示。為了增強模型魯棒性，還引入了多損失策略，包括線性分類損失、場景對比損失和類別對比損失。
研究結(jié)果顯示，該場景識別方法可有效聚合特征，顯著提升復雜場景分類精度與魯棒性，能為視覺導航、機器人應用等領域的場景理解與智能決策提供技術(shù)支撐，助力提升感知與任務執(zhí)行效率。
該研究以Object-Level and Scene-Level Feature Aggregation with CLIP for Scene Recognition為題發(fā)表于國際期刊Information Fusion。沈陽自動化所博士生王群為第一作者，沈陽自動化所朱楓研究員為通訊作者。
光電信息技術(shù)研究室機器視覺研究部長期從事智能感知與場景理解關(guān)鍵技術(shù)的研究，致力于推動人工智能在智能制造、服務機器人、智慧城市等領域的深入應用。（光電信息技術(shù)研究室）
論文鏈接：https://doi.org/10.1016/j.inffus.2025.103118
來源：中國科學院沈陽自動化研究所
北京市公安局海淀分局備案號：11010802023656號