【摘 要】
：
随着计算机快速的发展以及广泛的应用,人机交互技术已成为人们日常生活中不可或缺的部分,而手势识别则顺应了发展需要。原始手势图像需要做一些预处理操作才能更好的进行下一步操作分析。本文主要针对基于视觉的手势图像设计了 Alex CNN卷积神经网络模型,研究了图像与处理算法,包括数据增广、肤色提取、形态学处理等操作对所设计的神经网络模型准确率进行测试。结果表明用经过图像预处理后的图像所训练得到的模型准确率
论文部分内容阅读
随着计算机快速的发展以及广泛的应用,人机交互技术已成为人们日常生活中不可或缺的部分,而手势识别则顺应了发展需要。原始手势图像需要做一些预处理操作才能更好的进行下一步操作分析。本文主要针对基于视觉的手势图像设计了 Alex CNN卷积神经网络模型,研究了图像与处理算法,包括数据增广、肤色提取、形态学处理等操作对所设计的神经网络模型准确率进行测试。结果表明用经过图像预处理后的图像所训练得到的模型准确率相比用原始图像进行训练所得到的模型准确率大为提升。
其他文献
为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题。本文提出了一种基于连续帧的车道线检测网络实现了卷积神经网络(C onvolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory, LSTM)的融合。首先,编码器CNN对连续帧进行特征提取,生成多尺度特征映射;其次
伪装人体检测在视频监控领域具有重要的研究和应用价值。本文针对目前基于图像表层特征提取的伪装人体检测方法无法有效检测出没有明显移动的伪装人体目标,充分利用了人体目标具有一定范围呼吸率的独特特性,提取并增强伪装人体的微振动特征,利用振动特征实现了伪装人体目标进行检测。首先,提出了自己的伪装人体视频数据集和基于微振动特征的伪装人体检测模型;其次利用训练集估计伪装人体目标的最优呼吸率区间,利用估计的最优呼
本文针对已有的以曼哈顿距离作为适应度函数而得出的非最佳路径,通过采用以起点到终点间的直线距离作为适应度函数的遗传算法优化,将其优化为效率更高、更为优秀的路径。经实验验证,证实了此方法在普通二维地图路径优化问题中的优越性。
深度学习方法在行人检测领域取得了不错的成绩,但还存在一些问题需进一步解决例如遮挡、难负样本等问题。本文提出基于注意力机制的RFBNet行人检测算法,针对部分遮挡问题,可以取得更好的检测效果。在注意力机制的引导下,网络更加倾向于可见部分的行人信息抑制背景信息从而避免其误导网络训练进一步降低负样本误检为正样本的概率。为了将模型能够部署在轻量级设备上本文使用参数量更少的轻量网络模型。在PASCAL VO
在多核处理器中,硬件预取技术是解决存储墙问题的主要技术之一,是对高速缓冲寄存器的优化。但是现有的预取技术大多只考虑内存密集型程序的性能优化,而忽视了非内存密集型程序因预取而受到的干扰。针对这个问题,本文提出基于分类的预取感知缓存分区机制利用自适应预取控制和缓存分区技术,可以动态调整预取的激进程度和合理分配共享缓存,该机制使用Champsim进行仿真实验。实验结果表明该机制可以有效提高非内存密集型程序的吞吐量,减少核间干扰,提高系统的性能和公平性。
为解决夜晚值班人员犯困的问题,设计具有自主避障、自适应构图、自主导航及定位等功能的可辅助值守人员巡逻的自适应仓库值守机器人。利用光电、陀螺仪、激光雷达等传感器进行感知,由搭载ROS(Robot Operating System)机器人操作系统的Intel5微处理器进行控制。采用开源设计模式,结合SLAM(Simultaneous Localization And Mapping)及模拟键盘控制技术,并搭载摄像头、噪声采集模块等多种环境监测传感器,使用TeamViewer进行远程监控以实时获取当前机器人的位
视频异常行为检测是目前计算机视觉领域的热点问题之一。然而,由于异常行为难以具体定义,使得基于监督学习的二类分类方法难以应用在该领域。本文提出了一种无监督的视频异常检测模型称之为基于时空特征融合的3D自编码器模型(ST-3DCAE)。模型采用PWCNet提取场景光流特征图,并与原视频帧融合作为基本单元,由多个基本单元组成连续基本单元作为模型的输入;利用3DConv和ConvLSTM模块进行时空特征的
手绘草图通常是一种由几条简单笔划就能完成的对人们想法或者概念有着明确表达的一种视觉上表现形式。对于人类而言,识别草图的含义非常容易,但是对于机器来说是非常困难的。为了实现手绘草图的精准识别与匹配,本文提出一种特征融合的新思路利用神经网络的特点将各级网络特征进行融合来实现草图的精准识别与匹配。将神经网络特征逐层下采样进行融合,即将浅层特征与深度的语义特征相融合,而传统网络仅仅利用了深度特征而忽略了浅
本论文主要研究利用语言预训练模型和深度学习来进行文本序列到指令序列的翻译。在文本序列到指令序列翻译的领域内,优势模型按结构划分主要分为2类,一种是端到端模型,另外一种是在编码器和解码器中间引入中间逻辑表示层。与以往的方法不同本文提出了名为混合排序填充网络的新模型。该模型将问题与一列单独组合,利用语言预训练模型获取编码,然后根据选择的模板,划分并填充不同的子任务,生成完整的指令序列。这种方法很好地利用了语言预训练模型的特点避免引入专门的中间语义表示层或者解码器,减少了模型复杂度。在自构建的文本到指令序列数据
为了提高云存储空间多维资源数据挖掘能力,需要进行数据并行聚类处理,提出基于多种群协同进化算法的数据并行聚类算法。构建云存储空间多维资源数据的参数采集模型,对采集的云存储空间多维资源数据进行模糊并行特征分布式重组,提取云存储空间多维资源数据聚类特征参数集,采用关联粗糙集特征分析方法进行云存储空间多维资源数据的多尺度小波结构分解,结合多种群协同控制的方法,建立云存储空间多维资源数据的并行聚类模型,通过关联协同滤波检测方法,进行云存储空间多维资源数据的分组特征检测和融合聚类处理,根据差分进化方法进行云存储空间多