-
公开(公告)号：CN112163447A
公开(公告)日：2021-01-01
申请号：CN202010833267.4
申请日：2020-08-18
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于Attention和SqueezeNet的多任务实时手势检测和识别方法。所述方法采用数据增强技术扩增数据集以达到较好的识别效果，并通过人工标注制作新的手势数据集；将Attention融合到全卷积网络BlitzNet的ResSkip残差结构和分割分支中，使模型更关注目标手势，降低背景的干扰，识别效果更好，并用SqueezeNet网络中的前15层代替BlitzNet的ResNet‑50作为手势特征提取器，设计出新的手势检测和识别模型。新模型将多个视觉任务（如手势识别和手势分割）联合训练，并通过两个不同的子网络分别进行手势识别与手势分割，使得通过单一网络就可以同时解决手势识别和分割两个问题，检测速度较快且准确率较高。本发明的模型是一种参数少、准确率高、检测速度快等综合性能突出的手势检测和识别模型。
-
公开(公告)号：CN110246085A
公开(公告)日：2019-09-17
申请号：CN201910425646.7
申请日：2019-05-21
Applicant: 桂林电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种单图像超分辨率方法，所述方法中的图像重建模型将传统的单通式重建结构改为并行式结构，使用浅层和深层两种超分辨率网络，利用两网络的深浅差异，将图像超分辨率过程人为划分为主体重建和细节重建部分，可以将超分辨率任务进一步细分，使得以浅层网络为核心的主体重建结构可以专注于对图像底层内容的处理，以深层网络为核心的细节重建结构可以专注于对图像高层内容的处理。本发明不仅可应用至其他基于深度学习的端到端单图像超分辨率模型，有效降低该单图像超分辨率模型的训练开销，同时提升准确率，更适用于特征提取阶段中图像尺寸不会被压缩的残差网络结构。
-
公开(公告)号：CN112163447B
公开(公告)日：2022-04-08
申请号：CN202010833267.4
申请日：2020-08-18
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于Attention和SqueezeNet的多任务实时手势检测和识别方法。所述方法采用数据增强技术扩增数据集以达到较好的识别效果，并通过人工标注制作新的手势数据集；将Attention融合到全卷积网络BlitzNet的ResSkip残差结构和分割分支中，使模型更关注目标手势，降低背景的干扰，识别效果更好，并用SqueezeNet网络中的前15层代替BlitzNet的ResNet‑50作为手势特征提取器，设计出新的手势检测和识别模型。新模型将多个视觉任务（如手势识别和手势分割）联合训练，并通过两个不同的子网络分别进行手势识别与手势分割，使得通过单一网络就可以同时解决手势识别和分割两个问题，检测速度较快且准确率较高。本发明的模型是一种参数少、准确率高、检测速度快等综合性能突出的手势检测和识别模型。
-
-
Search Results
3
records
(took 0.016 seconds)
