摘要
尽管卷积神经网络在各类计算机视觉任务中取得了显著成功，但由于室内场景结构复杂，其识别仍然面临重大挑战。因此，如何有效利用场景中的语义信息，成为推动室内场景识别技术发展的关键问题。然而，现有方法在利用语义信息方面受到语义分割精度的限制，导致大多数方法仍停留在辅助标注或共现统计等较浅层次，鲜有研究能够直接建模场景中语义元素之间的上下文关系。为此，本文提出一种语义区域关系模型（Semantic Region Relationship Model, SRRM），该模型直接从场景内部的语义信息出发，采用一种自适应且高效的方法，以缓解语义歧义带来的负面影响，并进一步建模语义区域间的关联关系，实现场景识别。此外，为更全面地挖掘场景中蕴含的信息，我们将提出的SRRM与PlacesCNN模块相结合，构建了联合语义区域关系模型（Combined Semantic Region Relation Model, CSRRM），并提出一种新颖的信息融合策略，以有效挖掘二者之间的互补信息。实验结果表明，CSRRM在MIT Indoor 67、简化版Places365以及SUN RGB-D数据集上均显著优于现有最先进方法，且无需重新训练即可取得优异性能。代码已开源，地址为：https://github.com/ChuanxinSong/SRRM