基于残差双注意力与跨级特征融合模块的静态手势识别
为解决卷积神经网络提取特征遗漏、手势多特征提取不充分问题,本文提出基于残差双注意力与跨级特征融合模块的静态手势识别方法.设计了一种残差双注意力模块,该模块对ResNet50网络提取的低层特征进行增强,能够有效学习关键信息并更新权重,提高对高层特征的注意力,然后由跨级特征融合模块对不同阶段的高低层特征进行融合,丰富高级特征图中不同层级之间的语义和位置信息,最后使用全连接层的Softmax分类器对手势图像进行分类识别.本文在ASL美国手语数据集上进行实验,平均准确率为99.68%,相比基础ResNet50网络准确率提升2.52%.结果验证本文方法能充分提取与复用手势特征,有效提高手势图像的识别精度.
手势图像识别、ResNet、残差双注意力模块、跨级特征融合、深度学习
31
TP391.41;TN911.73;TP18
国家自然科学基金;浙江理工大学博士科研启动项目;国家级大学生创新创业训练计划项目;浙江省大学生科技成果推广项目;浙江理工大学信息学院教育教学改革研究项目
2022-11-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
111-119