《表3 在SKIG数据集上的方法比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合宽残差和长短时记忆网络的动态手势识别研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

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。