【摘 要】
：
手势识别作为当前人机交互的主要方式之一,提升手势识别的准确性和实时性对人机交互发展和便利人们生活具有重要意义。本文结合深度学习的应用基础和实际应用效果,在研究深度学习理论的基础上,提出了深度学习理论网络,分别针对静态手势识别和复杂环境下手势识别在深度学习理论下的最佳训练方法进行仿真,并得出CNN方法为深度学习的最佳学习和训练的选择。
论文部分内容阅读
手势识别作为当前人机交互的主要方式之一,提升手势识别的准确性和实时性对人机交互发展和便利人们生活具有重要意义。本文结合深度学习的应用基础和实际应用效果,在研究深度学习理论的基础上,提出了深度学习理论网络,分别针对静态手势识别和复杂环境下手势识别在深度学习理论下的最佳训练方法进行仿真,并得出CNN方法为深度学习的最佳学习和训练的选择。
其他文献
典型的高光谱图像解混利用端元选择技术,而高精度图像信息存在冗余,导致端元选择繁琐,影响了解混处理的效率和质量。因此,以提升光谱图像解混处理效率为研究目的,将研究高精度船舶高光谱图像的解混方法。利用改进连续投影算法对高光谱图像进行降维处理后,在生成对抗网络中引入Lipschitz约束和光谱规则,实现对高光谱图像的解混处理。仿真实验结果表明,在处理噪声为40 dB图像时,方法的处理时间仅为1.18 s
The accurate estimation of the end-effectors pose in large operating spaces is the key for the mobile manipulator to realize efficient manufacturing of large and complex components. We propose a novel
Model recognition of second-hand mobile phones has been considered as an essential process to improve the efficiency of phone recycling. However, due to the diversity of mobile phone appearances, it i
计算机视觉的飞速发展,使得采用视觉技术辅助无人船航行成为可能.在无人船巡航过程中,获取船体航向是航行控制的必备基础.特征匹配是无人船相关视觉技术中的重要部分,是目标识别和定位等功能的关键步骤.获取无人船运动姿态的基本步骤是对图像前后帧进行有效的特征提取和匹配.针对水域环境中的图像静态特征提取速度慢、精度低的问题,本文提出一种图像匹配方法以求取无人船的航行姿态角.首先对图像预处理,并对有效区域进行特
由于当今全球气候变化异常,农作物病虫害频发,而且农作物病种类多,成因复杂,其预防和识别难度较大,且传统病虫害识别方法大多靠人目视手查,需要一定的专家经验,具有主观性强、识别准确率低等缺点。而信息技术作为解决农作物病虫害智能、快速识别的新技术、新方法,我们计划利用农业信息大数据智能决策分析系统,建立完善一体化的智能农业信息监测系统等。本文便是基于深度学习将计算机视觉、图像识别等技术运用于农作物病虫害
针对现有卷积神经网络结构不能充分挖掘高低级语义特征的缺点,提出一种联合自学习的属性金字塔模块(JSLAPM),其由多维自学习模块(MSLM)和特征金字塔模块(FPM)构成,可应用到任意主干网络结构中。MSLM通过学习空间维度以及通道维度上的特征矩阵重要性来调整特征矩阵,而FPM通过融合不同深度的特征矩阵来增强特征属性的表达能力。此外,结合通道分离提取模块(CSEM),提出了一种特征金字塔注意力网络
基于深度神经网络的果实识别和分割是采摘机器人作业成功的关键步骤,但由于网络参数多、计算量大,导致训练时间长,当模型部署到采摘机器人上则存在运行速度慢,识别精度低等问题。针对这些问题,该研究提出了一种改进Mask R-CNN的温室环境下不同成熟度番茄果实分割方法,采用跨阶段局部网络(Cross Stage Partial Network,CSPNet)与Mask R-CNN网络中的残差网络(Resi
为了实现果园复杂环境下柿子和苹果绿色果实的精准分割,该研究提出了一种基于SOLO的绿色果实优化分割算法。首先,利用分离注意力网络(ResNeSt)设计SOLO算法的主干网络,用于提取绿色果实特征;其次,为更好地应对绿色果实特征的多尺度问题,引入特征金字塔网络(Feature Pyramid Networks,FPN),构造ResNeSt+FPN组合结构;最后,将SOLO算法分为类别预测和掩码生成2
精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题,该研究提出一种基于改进DenseNet的杂草识别模型。首先,在DenseNet-121网络的基础上,通过在每个卷积层后引入高效通道注意力(Efficient Channel Attention,ECA)机制,增加重要特征的权重,强化杂草特征并抑制背景特征;其次,通过DropBl
采摘点的识别与定位是智能采摘的关键技术,也是实现高效、适时、无损采摘的重要保证。针对复杂背景下番茄串采摘点识别定位问题,提出基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法。通过YOLOv4目标检测算法和番茄串与对应果梗的连通关系,快速识别番茄串和可采摘果梗的感兴趣区域(Region of Interest,ROI);融合RGB-D图像中的深度信息和颜色特征识别采摘点,通过深度分割算法、