May, 2022

Snapture -- 一种用于静态和动态手势识别的新型神经架构

PDF
TL;DR本文提出了一种基于 Snapture 的手势识别系统，该系统可以同时学习静态手势和动态手势，以及一种分析手势动态特征的方法来调节静态通道。该系统在两个手势基准测试中相对于 CNNLSTM 基线表现出了优越性，并揭示了其在性能改进方面的潜力。
hand gesture recognitionhrideep learningdynamic gesturessnapture architecture
发现论文，激发创造
  • 基于语音识别的工具传递中的动态手势特征人机适应

    基于手势识别和动态动作识别的人机协作框架在 UR5e 机器人平台上展示出卓越的性能，提供了高效的工具传递，同时不显著干扰人类意图。

    Sep, 2023

  • 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

  • 低复杂度递归神经网络的便携式设备动态手势识别

    使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

    Aug, 2016

  • 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

  • 利用循环神经网络和手势控制器进行手势和旗语识别

    本文基于一种使用手部骨骼的角度作为特征的 RNN 方法，旨在解决手势识别的问题，并在 ASL 数据集和 SHREC 数据集上测试和证明了该方法的有效性和优越性。

    Mar, 2018

  • 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 Leap Motion 传感器的统计和时空手势特征实现手语识别

    本研究旨在探讨单一特征和混合特征对机器学习模型分类能力的影响，通过提取统计描述符和时空属性两类特征来识别含 18 种动态手势的手语，结果表明混合特征的输入比两类单一特征的输入产生更好的分类效果，对于自动手语识别技术的提高对其实现数字化技术的残疾人群体更有益。

    Feb, 2022

  • 基于运动特征增强循环神经网络的基于骨架的动态手势识别

    本文提出了一种基于骨架的动态手势识别新运动特征增强的循环神经网络，该算法通过双向循环神经网络将动作特征与骨架序列结合起来，从而在识别手势时提高了准确性。

    Aug, 2017

  • 基于雷达的静态手势在美国手语中的识别

    人机交互与虚拟现实领域中，自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络，以在虚拟现实和人机交互应用中提高手势识别的性能。

    Feb, 2024

  • 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