基于新型无菌训练技术改进深度卷积神经网络的静态手势分类
计算机视觉与模式识别
2023-05-04 v1 人工智能
信号处理
摘要
本文研究新型数据收集与训练技术，以使用卷积神经网络（CNN）和调频连续波（FMCW）毫米波（mmWave）雷达提升非移动（静态）手势的分类准确率。近来，非接触式手部姿态与静态手势识别在人机交互（HCI）、增强/虚拟现实（AR/VR）乃至医疗应用中的治疗性活动范围等众多场景中受到相当关注。尽管当前多数方案依赖光学或深度相机，这些方法需要理想的光照与温度条件。毫米波雷达设备近来已成为一种有前景的替代方案，提供低成本的片上系统传感器，其输出信号即使在非理想成像条件下也包含精确的空间信息。此外，深度卷积神经网络通过同时学习特征提取与分类，已广泛用于图像识别。然而，由于从雷达回波信号中提取有意义特征的困难，使用毫米波雷达与CNN进行静态手势识别的工作甚少，且结果劣于动态手势分类。本文提出一种高效的数据收集方法，以及一种通过引入“无菌”图像来辅助区分静态手势间差异特征、进而提升分类准确率的深度CNN训练新技术。应用所提出的数据收集与训练方法，使距离剖面与距离-角度剖面的静态手势分类率分别从提升至、从提升至。
引用
@article{arxiv.2305.02039,
title = {Improved Static Hand Gesture Classification on Deep Convolutional Neural Networks using Novel Sterile Training Technique},
author = {Josiah Smith and Shiva Thiagarajan and Richard Willis and Yiorgos Makris and Murat Torlak},
journal= {arXiv preprint arXiv:2305.02039},
year = {2023}
}
备注
Accepted to IEEE Access