基于增强密连接卷积神经网络的手势识别( Hand Gesture Recognition via Enhanced Densely Connected Convolutional Neural Network )

YS Tan KM Lim CP Lee

手势识别(HGR)是人类进行交流和交互的一种基本方式。虽然HGR可以应用于人机交互(HCI)中，以方便用户交互，但它也可以用来弥合语言障碍。例如，HGR可以用来识别手语，手语是一种由手势表示的视觉语言，被世界各地的聋哑人作为主要的交流方式。基于视觉的HGR的手工方法通常涉及多个特定处理阶段，例如手工特征提取方法，这些方法通常被设计成专门处理特定的挑战。因此，系统的有效ess及其处理跨多个数据集的各种挑战的能力在很大程度上依赖于所使用的方法。相比之下，卷积神经网络(CNN)等深度学习方法通过监督学习适应各种挑战。然而，能否对未知数据进行满意的泛化，不仅取决于CNN的体系结构，还取决于训练数据的数量和种类。为此，提出了一种用于基于视觉的手势识别的自定义网络结构&增强型密集连接卷积神经网络（EDenseNet）。改进后的EDenseNet过渡层进一步加强了特征的传播，利用瓶颈层将被重用的特征以瓶颈的方式传播到所有的特征映射中，随后的Conv层平滑掉不需要的特征。EDenseNet和DenseNet之间的差异被识别出来，其性能增益在烧蚀研究中被仔细检查。此外，通过增加训练数据的数量，丰富训练数据的种类，进一步提高泛化能力，利用大量的数据增强技术来减弱数据稀缺性的影响。实验在多个数据集上进行，即一个NUS手势数据集和两个美国手语(ASL)数据集。提出的EDenseNet在没有增强数据的情况下获得了98.50%的平均准确率，在增强数据的情况下获得了99.64%的平均准确率，在两种情况下，无论有没有增强数据，都优于其他深度学习驱动的实例。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate