数据是基于手套的手势识别,使用具有注意力机制的CNN-BiLSTM模型.

科学领域:

• 人与计算机的交互
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 手势识别 (HGR) 是一个关键的人机交互 (HMI) 技术.
• 基于视觉的HGR系统面临着诸如阻塞和深度感知等挑战.
• 数据手套为HGR提供了强大的替代方案,特别是在复杂的环境中,如虚拟现实和医学模拟.

研究的目的:

• 提出和评估一个新的数据手套基于动态手势识别模型.
• 为了提高动态HGR的准确性和稳定性,使用数据手套.
• 探索数据手套在先进的HMI应用中的潜力.

主要方法:

• 开发了基于注意力的CNN-BiLSTM网络 (A-CBLN) 模型.
• 利用卷积神经网络 (CNN) 来进行局部特征提取.
• 使用双向长期短期记忆 (BiLSTM) 网络进行时间特征分析.
• 集成的注意力机制来衡量手势特征以提高理解.

主要成果:

• 该A-CBLN模型在动态手势识别方面表现出卓越的性能.
• 在测试数据集上获得了95.05%的高精度和95.43%的精度.
• 有效地解决了动态手势识别任务中固有的挑战.

结论:

• 拟议的A-CBLN模型为基于数据手套的动态HGR提供了有效的解决方案.
• 注意力机制显著提高模型解释手势细微差别的能力.
• 这种方法对虚拟现实,医疗模拟和其他交互领域的应用非常有希望.