GRU-CNN优化模型的手势动作识别研究

被引：5
|
作者：
刘慧婷
李建军
机构：
[1] 内蒙古科技大学信息工程学院
来源：
小型微型计算机系统 | 2021年 / 42卷 / 10期
关键词：
图像处理; 深度学习; 动态手势识别; 卷积神经网络; 门控循环单元;
D O I：
暂无
中图分类号：
TP391.41 [];
学科分类号：
080203 ;
摘要：
近年来,动态手势识别已经成为计算机视觉领域的研究热点.由于手势动作的复杂性和多样性导致动态手势识别的识别率不是很高.随着深度学习的发展,卷积神经网络(CNN)在图像视频领域方面表现出较好的性能,但是,卷积神经网络仅仅考虑了图像序列的当前输入,丢失了上下文关系,为了解决这一问题,鉴于门控循环单元(GRU)网络具有对有长时间关联性数据较强的处理能力,本文提出了GRU-CNN融合网络模型.该模型可以提取更多的时空信息,而且具有较少的网络参数,收敛时间短,能更好的满足实时性需求.本模型在公开数据集MSRC-12上取得了良好的实验效果,同时分析了超参数(批量大小,权重和偏差学习率)对分类精度的影响.在网络模型的对比实验中,GRU-CNN的性能大大优于CNN-GRU模型.
引用
收藏
页码：2121 / 2124
页数：4
相关论文
共 5 条
  • [1] 基于卷积门控循环单元网络的储层参数预测方法
    宋辉
    陈伟
    李谋杰
    王浩懿
    [J]. 油气地质与采收率, 2019, 26 (05) : 73 - 78
  • [2] 基于CNN/LSTM和稀疏下采样的人体行为识别
    陈煜平
    邱卫根
    [J]. 计算机工程与设计, 2019, 40 (05) : 1445 - 1450
  • [3] A Short-Term Load Forecasting Method Based on GRU-CNN Hybrid Neural Network Model [J] . Lizhen Wu,Chun Kong,Xiaohong Hao,Wei Chen,Chi-Hua Chen.&nbsp&nbspMathematical Problems in Engineering . 2020
  • [4] Decoding hand kinematics from local field potentials using long short-term memory(LSTM) network .2 Ahmadi N,Constandinou T,Bouganis C. International IEEE/EMBS Conference on Neural Engineering(NER) . 2019
  • [5] Instructing people for training gestural interactive systems .2 Fothergill S,Mentis H,Kohli P,et al. Human Factors in Computing Systems . 2012
1