Jun, 2018

HGR-Net：一种用于手势分割和识别的融合网络

PDF
TL;DRHGR-Net 是一个使用两个 CNN 阶段的手势识别模型。第一阶段执行精确的语义分割以确定手部区域，第二阶段在深度表示的融合分类之前识别手势。通过在公共数据集上进行的大量实验，该模型在静态手势的分割和识别方面几乎达到了与最先进性能相当的效果。
convolutional neural networksematic segmentationgesture recognitionresidual networktwo-stream cnn
发现论文，激发创造
  • 实时手势识别：骨骼数据融合和多流 CNN 的整合

    本研究聚焦于手势识别，通过数据级融合和多流卷积神经网络架构的集成调节器，有效地解决了人手形态中的个体差异问题，将骨骼模式的时空手势信息编码到 RGB 图像中，从而提高了姿势理解的语义并降低了噪声，其在 SHREC2017、DHG1428、FPHA、LMDHG 和 CNR 等基准数据集上实现了实时运行，大幅减少硬件需求和计算复杂性，为资源受限设备的人机交互和环境智能提供了可靠性和创新性。

    Jun, 2024

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 设备端实时手势识别

    提出了一个基于设备的实时手势识别系统，利用单个 RGB 相机检测一组预定义的静态手势，该系统包括手骨骼跟踪器和手势分类器，使用 MediaPipe Hands 作为手骨骼跟踪器的基础，在世界度量空间中添加了 3D 关键点的估计，并创建两个不同的手势分类器，一个基于启发式方法，另一个使用神经网络。

    Oct, 2021

  • 基于姿态的手势识别的双流神经网络

    本研究提出了基于自注意力图卷积网络和 RBI-IndRNN 的双流神经网络，用于提取短期和长期时间信息，以实现手势识别。在 Dynamic Hand Gesture 数据集和 First-Person Hand Action 数据集上验证了其有效性，并取得了最新的性能。

    Jan, 2021

  • 基于迁移学习和深度集成学习的手势识别的两阶段方法

    利用预训练的高性能深度神经网络模型在 HG14 数据集上进行手势识别，通过多个模型的集成学习技术，达到了 98.88% 的准确率，展示了深度集成学习技术在人机交互中的有效性及其在增强现实、虚拟现实和游戏技术等领域的潜在应用。

    Sep, 2023

  • 使用卷积神经网络实现精细手部分割

    该研究提出了一种基于卷积层的深度学习架构，用于从自我中心视角提取手部的精确掩模，并证明该方法在多尺度下既准确又高效。

    Aug, 2016

  • 基于重新构建的三维网络与区域注意力机制的 RGB-D 手势识别

    本文使用神经结构搜索技术，并结合自适应的网络结构及局部注意力，提出了一种针对手势识别的 RAAR3DNet 方法，该方法有效地提取了手臂区域以及运动信息，并在两个大型 RGB-D 手势数据集上超越了现有技术。

    Feb, 2021

  • 使用卷积神经网络进行实时抓取检测

    本文介绍了一种基于卷积神经网络的准确、实时的机器人抓取检测方法，该网络可以在单个阶段内执行分类并查找一个优质的抓取矩形，并使用局部约束机制预测每个对象的多重抓取，比现有方法高 14 个百分点性能更好，尤其是对于可以用不同方式抓取的物体。

    Dec, 2014

  • 使用卷积神经网络进行大规模连续手势识别

    使用卷积神经网络从连续深度图序列中识别手势，主要方法包括使用数量运动进行个别手势分段、构建改进的深度运动图、通过卷积神经网络进行手势识别和在 ChaLearn LAP Challenge 竞赛中取得第三名的表现。

    Aug, 2016

  • 基于卷积神经网络的多普勒雷达手势识别系统

    本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

    Nov, 2017