簡易檢索 / 詳目顯示

研究生: 陳胤霖
Chen, Yin-Lin
論文名稱: 基於CornerNet利用加速度計及陀螺儀達成偵測及辨識手勢之研究
CornerNet based gesture detection and recognition using accelerometer and gyroscope
指導教授: 黃文吉
Hwang, Wen-Jyi
口試委員: 葉佐任 歐謙敏 黃文吉
口試日期: 2021/08/10
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2021
畢業學年度: 109
語文別: 中文
論文頁數: 55
中文關鍵詞: 手勢辨識類神經網路
英文關鍵詞: CornerNet
研究方法: 實驗設計法
DOI URL: http://doi.org/10.6345/NTNU202101340
論文種類: 學術論文
相關次數: 點閱:95下載:7
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 隨著時代變遷,人工智慧也有著長足的進步,其中一項研究主題便是手勢辨識,手勢辨識根據使用資料,可分為依影像資料為主和依感測器資料為主,而本論文使用的資料為感測器資料。
    以往以感測器資料為主的手勢辨識研究中,模型無法自動分離手勢資料與背景資料,需要使用人工方式擷取手勢資料,在實際運用時會降低使用者的體驗感,所以本論文提出了一個解決方法,並設計一個模型使其能自動分離手勢與背景,並將手勢分類。
    本論文參考了影像辨識中將物件視為關鍵點的概念,將手勢分為兩個關鍵區間,透過偵測並配對這兩個關鍵區間,以達到自動偵測並分類手勢的效果。

    第一章 緒論 1 1-1 研究背景與動機 1 1-2 研究困難 2 1-3 相關研究介紹 4 1-4 研究目的 9 1-5 研究特色 10 1-6 研究貢獻 12 第二章 基礎理論介紹 14 2-1 視物件為關鍵點 14 2-2 手勢資料與影像資料 17 2-3 模型設計 19 第三章 研究方法 25 3-1手勢關鍵區間 25 3-2 模型架構 28 3-3 損失函數 30 3-4 手勢偵測流程 30 3-5 關鍵區間配對 33 第四章 實驗方法 35 4-1 實驗流程 35 4-2 實驗資料 37 4-3 實驗結果 39 4-4 模型計算量 46 4-5 模型運行速度 48 第五章 結論與未來方向 52 參考文獻 54

    [1] J. Liu, L. Zhong, J. Wickramasuriya, and V. Vasudevan. uWave: Accelerometer-based personalized gesture recognition and its applications. Pervasive and Mobile Computing, 2009
    [2] S. Agrawal, I. Constandache, S. Gaonkar, R. R. Choudhury, K. Cave, and F. DeRuyter. Using mobile phones to write in air. In ACM MobiSys, 2011.
    [3] J. Wu, G. Pan, D. Zhang, G. Qi, and S. Li. Gesture recognition with a 3-d accelerometer. UIC 09, 2009, pp. 25–38.
    [4] Y.-C. Chu, Y.-J. Jhang, T.-M. Tai, and W.-J. Hwang. Recognition of Hand Gesture Sequences by Accelerometers and Gyroscopes. Applied Sciences, vol. 10, no. 18, pp. 6507, 2020
    [5] H. Law and J. Deng. Cornernet: Detecting objects as paired keypoints. ECCV, 2018
    [6] X. Zhou, D. Wang, and P. Krähenbühl. Objects as Points. 2019
    [7] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár. Focal loss for dense object detection. ICCV, 2017
    [8] Yuxin Wu and Kaiming He. Group normalization. ECCV, 2018.
    [9] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. In CVPR, 2016
    [10] Lee, S.M.; Yoon, S.M.; Cho, H. Human Activity Recognition From Accelerometer Data Using Convolutional Neural Network. In Proceedings of the 2017 IEEE International Conference on Big Data and Smart Computing (BigComp), Jeju, Korea, 13–16 February 2017; pp. 131–134
    [11] Tai, T.M.; Jhang, Y.J.; Liao, Z.W.; Teng, K.C.; Hwang, W.J. Sensor-Based Continuous Hand Gesture Recognition by Long Short-Term Memory. IEEE Sens. Lett. 2018, 2, 6000704.
    [12] Lefebvre, G.; Berlemont, S.; Mamalet, F.; Garcia, C. Inertial Gesture Recognition with BLSTM-RNN. In Artificial Neural Networks, Springer Series in Bio-/Neuroinformatics; Springer: Berlin/Heidelberg, Germany, 2015; Volume 4, pp. 393–410.
    [13] T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie. Feature pyramid networks for object detection. ICCV, 2017.

    下載圖示
    QR CODE