基于智能融合的转移学习模型与人工原生动物优化器用于增强手势识别,以帮助视力受损者

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 手势识别 (GR) 为残疾人提供了显著的好处,改善了运动,社会和认知技能.
• 符号语言 (SL) 是一种非语言沟通的关键方式,其识别是人机交互研究的关键领域.
• 人工智能 (AI) 和深度学习 (DL) 越来越多地被用于推进GR和计算机视觉,以提高可访问性.

研究的目的:

• 为了介绍一个先进的模型,人工原生虫优化器为基础的转移学习模型的融合来增强手势识别 (APOFTLM-EGR),用于改进手势识别.
• 通过精确的手语识别,增强视障人士的沟通能力.
• 利用人工智能和DL技术在手势检测方面实现卓越的性能.

主要方法:

• 使用Wiener过器 (WF) 进行图像预处理以消除噪声.
• 使用VGG16,InceptionV3和ResNet-50模型的融合进行特征提取.
• 使用堆叠稀疏自编码器 (SSAE) 的手势识别,由人工原生动物优化器 (APO) 优化,用于超参数调整.

主要成果:

• 在印度SL数据集上,APOFTLM-EGR模型实现了99.46%的高精度.
• 与现有的手势识别模型相比,提出的方法显示出更高的性能.
• APO技术有效地优化了SSAE的超参数,从而提高了检测准确度.

结论:

• APOFTLM-EGR模型在手势识别方面取得了重大进展,特别是在手势语言方面.
• 该研究强调了人工智能驱动的解决方案的潜力,以改善视力受损人士的沟通和互动.
• 取得的高精度验证了拟议的融合和优化技术在手势识别中的有效性.