بررسی روش های تشخیص حالات حرکتی دست مبتنی بر توجه و تفکیک- بازترکیب

تشخیص حالت دست در ویدئو به دلیل تنوع بالای حرکات، تغییرات سریع وضعیت دست، تفاوت های ظاهری میان افراد و وابستگی هم زمان اطلاعات فضایی و زمانی، یکی از مسائل چالش برانگیز در حوزه بینایی ماشین و تحلیل ویدئویی محسوب می شود. در این حوزه، رویکردهای متنوعی از روش های مبتنی بر ویژگی های دستی تا مدل های یادگیری عمیق برای حل این مسئله ارائه شده اند. در این پژوهش، با مرور این رویکردها، تمرکز اصلی بر بررسی و ارزیابی معماری های یادگیری عمیق پیشرفته، به ویژه روش های مبتنی بر توجه و تفکیک- بازترکیب، قرار گرفته است تا توانایی آن ها در مدل سازی موثر وابستگی های فضایی و زمانی حرکات دست مورد مطالعه قرار گیرد. نتایج تجربی حاصل از ارزیابی ها بر روی مجموعه داده NVGesture نشان می دهد که مدل تفکیک و بازترکیب فضا–زمان با دستیابی به دقت %۹۱.۷۰، بالاترین مقدار دقت را در میان روش های بررسی شده ثبت کرده است. این نتیجه بیانگر کارایی بالای این مدل در تشخیص حالت های مختلف دست در شرایط متنوع ویدئویی بوده و نشان می دهد که بهره گیری از ساختارهای فضایی–زمانی پیشرفته می تواند به بهبود قابل توجه عملکرد سامانه های تشخیص حالت دست منجر شود.

کلیدواژه ها:

تشخیص حرکات دست ، یادگیری عمیق ، مکانیزم توجه ، تفکیک- بازترکیب ، هوش مصنوعی