【摘 要】
：
手势识别研究与人机交互和谐发展具有密不可分的联系,因此具有重要研究意义.针对传统手势检测算法空间不变性较弱,手势识别效率较低等问题,本文提出基于改进YOLOV3网络与贝叶斯分类器相结合的手势识别深度学习模型.首先采用空间变换网络对YOLOV3网络进行改进,处理手势信息,提取关键性手势特征,解决了数据易受影响问题并且增强了网络不变性;然后将网络提取出的特征进行降维操作,减少冗余信息;再通过贝叶斯分类
【基金项目】
：
国家自然科学基金面上项目(62073227)资助,国家重点研发计划项目(2020YFC0833203)资助,辽宁省自然科学基金面上项目(20180520037)资助。
论文部分内容阅读
手势识别研究与人机交互和谐发展具有密不可分的联系,因此具有重要研究意义.针对传统手势检测算法空间不变性较弱,手势识别效率较低等问题,本文提出基于改进YOLOV3网络与贝叶斯分类器相结合的手势识别深度学习模型.首先采用空间变换网络对YOLOV3网络进行改进,处理手势信息,提取关键性手势特征,解决了数据易受影响问题并且增强了网络不变性;然后将网络提取出的特征进行降维操作,减少冗余信息;再通过贝叶斯分类器进行分类,提高了分类准确率;最后在标准数据集和自制数据集上进行检测测试,表明本文方法能够提高手势的识别
其他文献
人脸关键点检测问题在静态图像上已经得到了较好的解决,然而当使用这类解决方案逐帧地应用于视频数据时,所预测出的人脸关键点会呈现出明显的非规则抖动,因此如何准确且稳定地对流媒体中的人脸关键点进行定位成为了新的挑战.本文提出了一种基于平滑网格逆变换以及借助参数化人脸3D模型进行对抗训练的方式对现有方案进行改进.该方案训练所得的神经网络模型能够在不借助序列平滑后处理算法的情况下,逐帧应用于流媒体数据,给出
在开源社区中,参与者积极参加问题解决过程对于推进开源社区的发展具有积极意义.在本文中,我们选择了部分Github流行仓库中的18215个问题,根据ISO/IEC 14764规范并将问题分为纠正性、适应性、完善性或预防性维护,然后使用了深度学习模型对问题的类型进行了分类,并分析问题类型对开发人员参与评论问题积极性的影响,我们的分析表明,部分开发人员对问题类型具有敏感性,即他们更偏向于参与特定类型的问题解决过程.基于此认识,我们提出了一个对问题进行自动分类的参与者推荐方法.在该方法中,利用了Atten-3CN
针对高效视频编码中运动估计的计算复杂度高和消耗大量编码时间的问题,提出一种改进的TZS算法,从而有效提升视频编码效率.首先对搜索区域进行运动矢量预测,确定起始搜索点;再
传统的基于序列数据的下一个地点推荐算法没有深度挖掘签到序列的上下文信息.本文通过深度学习神经网络的GRU模型对用户的签到序列、时间信息和距离信息进行双向地特征分析,
目前基于深度神经网络的图像分类器易受到对抗样本的攻击,而对抗样本往往是某种算法攻击原始样本所生成的特定图像.本文针对攻击算法的弱鲁棒性及低隐蔽性提出一种基于Nesterov-Momentum动量迭代以及Whey优化的NMI-FGSM&Whey攻击算法.首先在一般动量迭代攻击中加入Nesterov项,其次于生成对抗样本之后对图像实行Whey优化,在保证攻击性能的情况下有效地去除多余噪声.实验部分以I
针对当前SSD算法低层特征图语义信息不足导致存在小目标漏检以及误检的问题,提出一种基于分段反卷积改进SSD的目标检测算法SD-SSD(Segmented Deconvolution-Single Shot M ulti Box Detector).根据SSD模型低层特征图语义信息提取不足,高层特征图边缘信息丢失过多,本文重新设计了融合结构,不仅降低了计算过程中的参数数量,而且丰富了各个特征图的细节
在机器人迅速发展的时代,人机协作型机器人安全性问题是人们关注的焦点.机器人逆运动学的建模与求解是决定其安全性的必要因素之一.旋量法是一种机器人逆运动学建模的常用方法,它可以解决传统D-H参数法的奇异性问题.然而,在建模过程中,旋量法会因人为因素或软件系统缺陷导致模型出现漏洞,从而威胁操作人员安全.因此,本文在旋量高阶逻辑定理证明库的基础上,实现了指数积和Paden-Kahan子问题(subprob-R)等数学理论的高阶逻辑表达,在交互式定理证明器HOLLight中对6R型协作型机器人逆运动学建模与求解过程
序列推荐在构建现代推荐系统中起着十分重要的作用,如何对序列进行建模是当前学术界研究的热点.针对传统推荐算法难以表示用户兴趣的动态变化,基于循环神经网络的推荐方法在捕捉复杂的序列关系方面的不足,提出了一种嵌入压缩-激励模块的改进时序卷积网络来提取序列特征.模型利用扩张卷积增大感受野,捕获更多的序列关系,利用残差连接减小反向传播过程中的梯度消失问题.通过对用户和项目特征的融合,模型可以综合考虑用户的短期和长期偏好进行个性化推荐.在两个数据集上的实验结果表明,本文提出的算法要优于基线算法,取得较好的推荐效果.
为解决当前太赫兹频段下的极化转换器件带宽窄和带内转换率低的问题,设计了一款基于超表面的高效率太赫兹线极化转换器.通过在两端增加一对谐振枝节的方法,将原本的单谐振频
提高行人再辨识任务识别性能的重要途径之一是通过卷积神经网络将全局特征和局部特征相结合,而现有的基于部件的方法主要是通过定位具有特定语义的区域来学习局部表示,这不仅增加了学习的难度,而且对于具有较大差异的场景难以学习到稳定的特征表示.本文提出了批次分块遮挡网络(Batch Part-mask Network,BPNet),该网络由全局特征分支和特征删除分支组成,并以Res Net-50作为主干网络.