典型文献
基于轻量级卷积神经网络的手势识别检测
文献摘要：
针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法.首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性.实验结果表明,改进后的模型大小仅为17.9 MB,较原YOLOv3模型大小减小了 92.4％,平均精确度提高了 0.6％.因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考.
文献关键词：
手势识别;轻量级网络;YOLOv3;Ghost模块;加权双向特征金字塔;CIoU损失函数
中图分类号：
作者姓名：
牛雅睿;武一;孙昆;卢昊;赵普
作者机构：
河北工业大学电子信息工程学院 天津300401;河北工业大学电子与通信工程国家级实验教学示范中心 天津300401
文献出处：
引用格式：
[1]牛雅睿;武一;孙昆;卢昊;赵普-.基于轻量级卷积神经网络的手势识别检测)[J].电子测量技术,2022(04):91-98
A类：
B类：
轻量级卷积神经网络,手势识别,识别检测,识别模型,模型参数量,训练速度,备要,检测算法,Ghost,模块设计,主干特征提取网络,计算量,加权双向特征金字塔网络,改进特征,特征融合网络,网络检测,检测精度,CIoU,边界框回归损失函数,Mosaic,数据增强技术,收敛速度,MB,YOLOv3,轻量级网络
AB值：
0.274279
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
