一种用于儿童群体舌部检测的深度学习方法
计算机视觉与模式识别
2020-09-30 v3 人机交互
机器学习
摘要
患有严重残疾和复杂沟通需求的儿童在使用辅助技术（AT）设备方面面临限制。传统AT（如机械开关）可能不足以满足非言语儿童及自愿运动控制受限儿童的需要。自动检测舌部手势的技术代表了一条有前景的途径。先前研究已显示舌部检测算法在成人参与者上的鲁棒性，但还需进一步研究以将这些方法用于儿童。本研究实现并评估了一种用于伸舌手势识别的网络架构，该架构在儿童玩电子游戏的自然场景记录视频上进行测试。使用级联目标检测算法检测参与者面部，并采用卷积神经网络（CNN）开发了用于舌部手势检测的自动分类方案。在进行的评估实验中，网络使用成人和儿童图像进行训练，并采用留一受试者交叉验证评估网络分类准确率。对五名典型发育儿童的视频分析得到的初步分类结果显示，预测伸舌手势的准确率高达99%。此外，我们证明仅使用儿童数据训练分类器比使用成人数据性能更好，这支持了构建儿童舌部手势数据集的必要性。
引用
@article{arxiv.2009.02397,
title = {A Deep Learning Approach to Tongue Detection for Pediatric Population},
author = {Javad Rahimipour Anaraki and Silvia Orlandi and Tom Chau},
journal= {arXiv preprint arXiv:2009.02397},
year = {2020}
}
备注
7 pages, 1 figure