· 2016
Tekrarlayan 3B Evrişimsel Sinir Ağları ile Dinamik El Hareketlerinin Çevrimiçi Tespiti ve Sınıflandırılması
Online Detection and Classification of Dynamic Hand Gestures with Recurrent 3D Convolutional Neural Networks
- 679atıf
- 2016yıl
Kısa özet
Tekrarlayan bir 3B evrişimsel sinir ağı (R3D-CNN), dinamik el hareketlerini çevrimiçi olarak eş zamanlı tespit edip sınıflandırarak %83,8 doğruluk oranı elde etti; bu, önceki yöntemleri geride bıraktı ve insan doğruluğuna (%88,4) yaklaştı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Tekrarlayan bir 3B evrişimsel sinir ağı (R3D-CNN), dinamik el hareketlerinin eş zamanlı çevrimiçi tespitini ve sınıflandırılmasını gerçekleştirir.
- R3D-CNN, yeni bir çok modlu dinamik el hareketi veri kümesinde %83,8 doğruluk oranı elde etti.
- Sistemin doğruluğu insan performansına (88,4%) yaklaşıyor ve rakip en gelişmiş algoritmaları geride bırakıyor.
- Bağlantısal zamansal sınıflandırma, ağın kesintisiz, devam eden jestlerden etiketleri tahmin etmesi için eğitilmesinde kullanıldı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Automatic detection and classification of dynamic hand gestures in real-world systems intended for human computer interaction is challenging as: 1) there is a large diversity in how people perform gestures, making detection and classification difficult, 2) the system must work online in order to avoid noticeable lag between performing a gesture and its classification, in fact, a negative lag (classification before the gesture is finished) is desirable, as feedback to the user can then be truly instantaneous. In this paper, we address these challenges with a recurrent three-dimensional convolutional neural network that performs simultaneous detection and classification of dynamic hand gestures from multi-modal data. We employ connectionist temporal classification to train the network to predict class labels from inprogress gestures in unsegmented input streams. In order to validate our method, we introduce a new challenging multimodal dynamic hand gesture dataset captured with depth, color and stereo-IR sensors. On this challenging dataset, our gesture recognition system achieves an accuracy of 83:8%, outperforms competing state-of-the-art algorithms, and approaches human accuracy of 88:4%. Moreover, our method achieves state-of-the-art performance on SKIG and ChaLearn2014 benchmarks.
Yazarların özeti; kaynağından alınmıştır., 2016 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İnsan-Bilgisayar Etkileşimi
Human-Computer InteractionComputer Science