文献

J-GLOBAL ID：201802285997512737   整理番号：18A1145017

線形光学センサとリカレントニューラルネットワークによるジェスチャ認識【JST・京大機械翻訳】

Gesture Recognition With the Linear Optical Sensor and Recurrent Neural Networks

著者 (3件)： Czuszynski Krzysztof (Department of Biomedical Engineering, Faculty of Electronics, Telecommunications and Informatics, Gdansk University of Technology, Gdansk, Poland) ,  Ruminski Jacek (Department of Biomedical Engineering, Faculty of Electronics, Telecommunications and Informatics, Gdansk University of Technology, Gdansk, Poland) ,  Kwasniewska Alicja (Department of Biomedical Engineering, Faculty of Electronics, Telecommunications and Informatics, Gdansk University of Technology, Gdansk, Poland)
資料名： IEEE Sensors Journal  (IEEE Sensors Journal)
巻： 18  号： 13  ページ： 5429-5438  発行年： 2018年 
JST資料番号： W1318A  ISSN： 1530-437X  CODEN： ISJEAZ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,低分解能センサの代表である光線形センサを,近接場ハンドジェスチャのマルチクラス認識において調べた。ゲート付きリカレントユニット(GRU)メモリセルを持つリカレントニューラルネットワーク(RNN)をジェスチャー分類器として利用した。一群のボランティアから27のジェスチャを収集した。得られた27000の配列を,訓練,検証,および試験サブセットに分割した。主要な研究目標は,各ジェスチャーの正確な認識に関して最も適切なモデルアーキテクチャを定義することであった。研究の付加的な目的は,入力データの種類,すなわち,生データまたは前処理(特徴)データを調査することであり,それは一般的により良い結果を生み出す。したがって,3つのデータセットが生成された:生データ,単純な特徴データ,および高レベル特徴データ。これは,既に認識されている手の姿勢に関する情報を含んでいる。ランダム探索法を適用して,ニューラルネットワークのための最良の可能なトポロジーを見出すために,ハイパーパラメータ最適化を達成した。実施した分析は,選択したモデルが生データに対して96.89%,単純な特徴に対して95.75%,および高レベル特徴に対して93.38%のレベルで試験スコアによって特徴付けられることを示した。結果は,GRUメモリセルによるRNN上で評価した光線形センサから得た生データの直接使用が,複雑なジェスチャの信頼できる認識を可能にすることを示した。したがって,このような解決策は,特にモバイル機器のためのビデオベースのセンサの代替としての支援として役立つ可能性がある。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 部分集合 ,  近接場 ,  *線形性 ,  *センサ ,  前処理 ,  位相幾何学 ,  クラスタ ,  *光センサ ,  *ニューラルネットワーク ,  記憶素子 ,  最適化
準シソーラス用語： 生データ ,  身振り ,  ハンドジェスチャ ,  低分解能 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (4件)： 線形 ,  光学センサ ,  リカレントニューラルネットワーク ,  ジェスチャ認識