基于迁移学习与深度集成学习的两阶段手势识别方法
计算机视觉与模式识别
2023-09-22 v1 人工智能
人机交互
摘要
人机交互(HCI)多年来一直是研究的主题，近期研究聚焦于通过多种技术提升其性能。过去十年中，深度学习研究在多个领域展现出高性能，促使研究者探索其在HCI中的应用。卷积神经网络可用于通过深度架构从图像中识别手势。在本研究中，我们在HG14数据集上评估了预训练的高性能深度架构，该数据集包含14种不同手势类别。在22个不同模型中，VGGNet与MobileNet的若干版本取得了最高准确率。具体而言，VGG16与VGG19模型分别达到94.64%与94.36%的准确率，而MobileNet与MobileNetV2模型分别达到96.79%与94.43%的准确率。我们采用集成学习技术在该数据集上进行手势识别，结合了四种最成功的模型。以这些模型作为基学习器并应用Dirichlet集成技术，我们取得了98.88%的准确率。这些结果展示了深度集成学习技术在HCI中的有效性及其在增强现实、虚拟现实与游戏技术等领域的潜在应用。
引用
@article{arxiv.2309.11610,
title = {Hand Gesture Recognition with Two Stage Approach Using Transfer Learning and Deep Ensemble Learning},
author = {Serkan Savaş and Atilla Ergüzen},
journal= {arXiv preprint arXiv:2309.11610},
year = {2023}
}
备注
ICISNA'23 - 1st International Conference on Intelligent Systems and New Applications Proceedings Book, Liverpool, UNITED KINGDOM, April 28-30, 2023. E-ISBN: 978-605-72180-3-2