《表3 在SKIG数据集上的方法比较》
/%
作为该公共数据集的基准方法,文献[25]提出了一种融合RGB和深度数据的自适应方法,并采用了基于图的受限制遗传算法对模型进行优化,从而对动态手势进行了有效的分类。文献[26]使用了一种基于形状和时空特征深度融合的动态手势识别方法,将两种数据的特征描述分别与线性SVM分类器结合,将SKIG的识别率提升到了98.4%。文献[27]首次将卷积神经网络和循环神经网络叠加用于该数据集:首先利用3D卷积神经网络提取出手势运动的三维时空信息,并根据这些信息使用循环神经网络捕捉到长序列的时空特征,进而实现了高精度的动态手势分类。文献[19]首次将空间LSTM模型用于手势分类,并在分类器之前使用了金字塔池化(spatial pyramid pooling,SPP),从不同尺寸的特征图中进行空间信息提取和聚合,有效节省了训练时间。本文使用双向空间LSTM,最大程度上利用视频的空间信息融合长序列信息,并使用宽残差网络对视频转换成的二维张量进行准确分类,因此识别率也得到了进一步的提高。
图表编号 | XD003919100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 梁智杰、廖盛斌 |
绘制单位 | 华中师范大学国家数字化学习工程技术研究中心、西南科技大学计算机科学与技术学院、华中师范大学国家数字化学习工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |