研究基于MME-P3D的手势识别算法

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 现有的手势识别算法面临着高参数数量和计算复杂性的挑战,限制了它们在移动和嵌入式设备上的使用.
• 有效地提取时空特征对于准确的手势识别至关重要.

研究的目的:

• 为高效的手势识别提出一个新的多尺度运动嵌入伪-3D (MME-P3D) 算法.
• 为了减少移动和嵌入式应用程序的手势识别模型的参数数量和计算复杂性.

主要方法:

• 通过将通道注意力 (CE) 机制集成到伪-3D (P3D) 模块中,开发了一个P3D-C特征提取网络.
• 引入了一种多级运动嵌入 (MME) 机制,以改善学习全球手势运动动态.

主要成果:

• 在会议手势数据集上达到91.12%的高识别准确度,在Chalearn 2013数据集上达到83.06%.
• 与传统的3D卷积神经网络相比,降低了高达82%的参数数量和高达83%的计算要求.

结论:

• MME-P3D算法可显著降低复杂性,使其适合在资源有限的移动和嵌入式设备上部署.
• 这一进步为实际的手势识别技术提供了更有效的方法.