ECCVFeb, 2023

基于关键点和雷达流融合的自动驾驶手势识别

PDF
TL;DR本研究提出了一种联合摄像机和雷达方法，使自动驾驶车辆能够了解和响应日常交通中的人类手势，通过处理雷达和摄像机数据，利用融合神经网络提高手势识别的准确性。
autonomous vehicleshuman gesture recognitioncameraradarneural network
发现论文，激发创造
  • 基于时空多层感知器的手势识别

    提出了一种基于神经网络的新型手势识别架构，只需使用人体骨骼输入数据，即可实现最先进的效果，应用于自动驾驶中具有实时性能和稳定性。

    Apr, 2022

  • 利用雷达点云进行跨模态学习的图形表示，长距离手势识别

    本文提出了一种利用基于点云的交叉学习方法（从相机到六十吉赫兹 FMCW 雷达）的长距离（1m-2m）手势识别解决方案，使用动态图卷积神经网络（DGCNN）建模点之间的关系并用双向 LSTM 网络建模时间动态，实验结果表明该模型在五个手势的整体精度达到了 98.4％且具有泛化能力。

    Mar, 2022

  • 个性化车载手势识别技术与飞行时间相机

    我们提出了一种模型适应的方法来个性化训练 CNNLSTM 模型，提高识别准确性并减少数据需求，在驾驶环境中改进动态手势识别的效率和准确性，从而增强车内交互的安全性、便利性，以及驾驶员的体验和对系统的信任。通过使用飞行时间相机的硬件增强和数据增强、个性化适应以及增量学习技术的算法增强，我们评估了方法的识别准确性，达到了 90％，并展示了个性化适应和增量学习对以用户为中心的设计的有效性。

    Oct, 2023

  • 针对人类动作识别的姿态条件的时空关注

    通过利用多模态视频数据，并提出使用两种方法来识别人类行为，包括使用卷积模型处理姿势流，由可调节关注机制控制图片流，最后经过 LSTM 神经网络对不同姿态下的处理进行特征提取，能够在多数据集上大幅度的提高人类行为识别的效果。

    Mar, 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

  • 基于视觉与惯性传感器数据的新型二流决策级融合技术，用于自动多模态人类活动识别系统

    本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

    Jun, 2023

  • 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

  • 自主驾驶车辆的交通控制手势识别

    本研究利用 3D 骨骼输入设计数据集，旨在提供用于交通控制手势识别的学习数据，并针对其进行了多种深度神经网络、注意力机制、图卷积网络等方案，同时进行了真实环境测试和综合分析。

    Jul, 2020

  • GestARLite：一种基于指向手指的智能手机和视频透视耳机的设备内手势界面

    我们提出了一种用于便携式可穿戴设备的新型轻量级手势识别框架，该框架由一系列最先进的深度学习模型驱动，能以实时性灵敏地识别手势，实现了 80％的分类准确度和仅 0.12 秒的平均延迟。

    Apr, 2019

  • 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