面向移动平台的美国手语识别迁移学习优化
计算机视觉与模式识别
2018-05-18 v1
摘要
本研究的目标是通过实验、迭代并推荐一个能成功识别美国手语（ASL）的系统。这是一个具有挑战性且有趣的问题，若得以解决将在社会与技术层面带来双重飞跃。本文提出一种基于移动平台的 ASL 实时识别器，以使其更具可及性并提供易用性。所实现的技术是将 ASL 字母手势新数据迁移学习至多种预训练高端模型上，并在考量移动平台各类局限性的前提下优化最佳模型以运行于移动平台。所使用的数据包含 24 个 ASL 字母的 27,455 张图像。该优化模型在内存高效的移动应用上运行时，可达到 95.03% 的准确识别率，平均识别时间为 2.42 秒。该方法在准确率和识别时间上均较以往研究有可观改善。
引用
@article{arxiv.1805.06618,
title = {Optimization of Transfer Learning for Sign Language Recognition Targeting Mobile Platform},
author = {Dhruv Rathi},
journal= {arXiv preprint arXiv:1805.06618},
year = {2018}
}
备注
6 Pages, Journal