摘要
场景识别是一个图像识别问题，旨在预测图像拍摄地点的类别。本文提出了一种基于卷积神经网络（CNN）的新场景识别方法。该方法通过融合给定图像中的物体和场景信息来实现，所构建的CNN框架被命名为FOS（物体与场景融合）Net。此外，还开发了一种新的损失函数——场景一致性损失（SCL），用于训练FOSNet并提高场景识别性能。提出的SCL基于场景的独特特征，即“场景性”扩散且整个图像中的场景类别不变。实验中，FOSNet在三个最流行的场景识别数据集上进行了测试，并在两个数据集中取得了最先进的性能：在Places 2数据集上达到60.14%，在MIT室内67数据集上达到90.37%。在SUN 397数据集中，获得了第二高的性能，准确率为77.28%。