【摘 要】
：
手势识别是人机交互领域的重要研究内容,为截肢患者控制智能假肢手提供基础.当前主流方法之一是利用表面肌电图识别手部运动意图,但肌电信号存在信号弱、易受噪声、汗液、疲劳影响等缺点.同时肌电图在识别准确率方面,尤其是截肢患者手势识别方面仍然具有较大的提升空间.针对这些问题,本文设计了基于气压肌动图的穿戴式信号采集装置,为手势识别提供了优质的信号源.结合深度神经网络中全连接层结构、典型抽样和标准正则化技术
论文部分内容阅读
手势识别是人机交互领域的重要研究内容,为截肢患者控制智能假肢手提供基础.当前主流方法之一是利用表面肌电图识别手部运动意图,但肌电信号存在信号弱、易受噪声、汗液、疲劳影响等缺点.同时肌电图在识别准确率方面,尤其是截肢患者手势识别方面仍然具有较大的提升空间.针对这些问题,本文设计了基于气压肌动图的穿戴式信号采集装置,为手势识别提供了优质的信号源.结合深度神经网络中全连接层结构、典型抽样和标准正则化技术,提出了一种改进多类神经模糊推理系统,与传统神经模糊推理系统相比泛化能力得到显著提升.我们招募了7名健康
其他文献
交通标志检测是智能驾驶任务中的重要一环。为了满足检测精度和实时检测的要求，基于YOLOV3提出一种改进的实时交通标志检测算法。首先采用跨阶段局部网络作为特征提取模块，优化梯度信息，减少推理计算量；同时以路径聚合网络替代特征金字塔网络，在解决多尺度特征融合的同时，保留了更加准确的目标空间信息，提高目标检测精度；并且引入完备交并比损失函数替代均方误差损失，提高定位精度。与其他目标检测算法在CCTSDB
由于汉字拥有大量的字符，大多数对汉字的研究主要集中在汉字的识别和分类问题上，对于生成汉字的研究较少，尤其是在没有大量配对的汉字数据集的情况下。该模型使用内容和风格样式都不匹配的汉字数据集，将生成个性化手写汉字的过程公式化为一个从现有的标准印刷字体到个性化手写汉字样式映射的问题。在基于无监督学习的图像翻译模型的基础上，利用注意力机制和自适应标准化层来增强个性化汉字生成的内容和风格，并且通过改进损失函
目前大量被提出的关于单目视觉深度估计网络研究中其网络结构庞大臃肿，在实际部署中会存在占用大、延迟高的问题。针对以上问题，本文提出了基于可学习步长的量化策略的轻量化深度估计网络。该网络采取特征金字塔（FPN）的网络结构对图片不同尺度的特征信息进行提取。并结合内存优化，对网络的特征提取部分采用深度可分离卷积，使得网络相对于ResNet参数总量下降1/3。同时文中对特征解码器进行设计，网络计算中跳跃连接
生活中似是而非的手语表达语义含糊，欠规范的手势动作易混淆，同时从有限样本中难以获得充足特征用于训练手语识别模型，模型容易过拟合进而导致识别准确率较低.针对此问题，提出一种在有限样本条件下扩充欠规范手语识别容错特征的表示学习方法.该方法基于手语表达时人体骨架的运动信息，面向手语的时空关联性构建自编码器，从手语语料库中少量原始样本提取标准特征；然后利用生成对抗网络从标准特征产生大量欠规范样本，再通过自
在光照条件不充足的情况下，拍摄的图像质量较差。对于低光照图像增强，基于Retinex的方法大多忽略了降噪。本文结合Retinex和卷积神经网络构建了一个有效的模型，包括3个子模块，分解模块、注意力降噪模块和亮度调整模块。分解模块用残差连接方式和空洞卷积来构建，以减少在分解过程中细节信息的丢失，得到更准确的反射图和亮度图。降噪模块引入了注意力机制，对亮度图处理后得到注意力图用来指导反射图的降噪。亮度
在交通标志检测中，小而稠密的交通标志易受遮挡、恶劣天气等复杂自然环境的影响，导致检测性能较差。针对此问题，提出一种基于注意力机制的多尺度小目标交通标志检测方法。以CSPDarknet53为基础设计了一种新型的特征提取网络，使得输出特征图的分辨率得以增大、目标更易于检测，同时通过反卷积自适应级联结构融合浅层细节信息与深层语义特征。此外，构造了一种基于空间注意力机制的倒金字塔结构，以高分辨特征图生成的
分形图像压缩作为一种基于结构的图像压缩技术，在许多图像处理中得到了应用。但是分形图像压缩的编码阶段非常耗时，且重建图像的质量效果不佳。针对这些问题，提出了一种基于双层非负矩阵分解的分形图像压缩编码算法。在传统的非负矩阵分解理论上，将投影非负矩阵分解与L3/2范数约束相结合，可以在较短的时间内提取具有代表性的图像特征。算法首先采用双层非负矩阵分解提取原始图像的特征，然后对图像的特征进行K均值聚类，根
研究休闲期稻作梯田的土壤水分、养分和酶活性特征对提高梯田土壤有机碳的固持水平具有重要的指导意义。在广西龙脊梯田景区内采集休闲期19个稻田土壤样品，测定土壤养分和酶活性。结果表明，龙脊稻作梯田土壤水分、pH、有机碳、总氮、碱解氮、总磷和速效磷的平均值分别为40.58%、4.76、18.82 g·kg~(-1)、1.97 g·kg~(-1)、97.51 mg·kg~(-1)、0.32 g·kg~(-1
针对嵌入式摄像设备在执行目标检测任务过程中，对于移动中车辆的检测耗时较长无法及时反馈检测结果的问题，提出了一种基于残差连接和注意力机制的轻量级卷积网络来对SSD(Single Shot MultiBox Detector)目标检测模型进行改进。首先，采用h-swish和h-sigmoid激活函数分别替换残差块中的ReLU激活函数和通道注意力模块中的sigmoid激活函数，降低训练和推理所需计算量。
由于交通场景中的行人目标所处的背景环境复杂、目标较小等因素，使得目前的行人检测算法在实际应用中存在检测精度不高、检测速度较慢的问题。因此行人检测模块作为高级辅助驾驶系统的核心模块，一直以来都是目标检测的研究热点之一。论文针对交通场景中小尺度行人目标，将传统的SSD网络结构中的主干网络卷积层结合Inception模块中的稀疏连接来优化卷积结构，从而增强网络的特征提取能力。同时利用残差结构组成的预测模