场景分类使自主平台能够理解环境信息. 通常，基于随机化的神经网络能够快速识别场景信息，并且花费很少的时间训练权重. 然而，基于随机化的神经网络的浅层网络结构限制了其非线性表示能力. 此外，全连接的特征提取方式不能有效地提取局部特征信息. 集成框架能够有效提升精度，但会引入高模型复杂度及大量参数而大幅降低推理速度. 针对上述问题，提出一种基于多尺度卷积随机化的实时场景分类网络集成结构（multi-level convolutional randomization-based network ensemble architecture，E-MCRNet）. 首先，基于随机化网络将全连接层替换为多尺度卷积层构成多尺度卷积随机化网络（multi-level convolutional randomization-based network，MCRNet）；其次，多个MCRNet构成集成体系结构E-MCRNet. E-MCRNet由一个主隐藏层和多个子隐藏层组成，主隐藏层分别与每个子隐藏层级联形成分支网络. 测试结果表明，E-MCRNet可以提高精度以及降低集成模型的复杂度，而且能够部署于嵌入式设备有效地执行相关任务.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=e54f2089-e640-4858-8cc5-dcedae8249ea