مروری بر مدل های ترکیبی و مدل های یک مرحله ای برای تشخیص ژست دست در بینایی ماشین

تشخیص ژست دست به عنوان یکی از محورهای اصلی تعامل انسان و ماشین، به ویژه در کاربردهای رباتیک، واقعیت افزوده و رابط های بدون تماس، نیازمند روش هایی دقیق و سریع است. با پیشرفت یادگیری عمیق، مدل های مختلفی برای تشخیص ژست دست ارائه شده اند که در این پژوهش به بررسی و مقایسه دو رویکرد اصلی می پردازیم: مدل های یک مرحله ای و مدل های دو مرحله ای (ترکیبی). در رویکرد یک مرحله ای، مدل به صورت مستقیم از تصویر خام، ژست را تشخیص می دهد و مزیت اصلی آن سادگی و سرعت بالای اجرا است. در مقابل، در رویکرد دو مرحله ای ابتدا ناحیه دست با استفاده از الگوریتم های تشخیص شیء استخراج شده و سپس یک طبقه بندی کننده مجزا ژست را شناسایی می کند که این ساختار معمولا منجر به افزایش دقت در شرایط پیچیده می شود. در این مقاله، چندین مطالعه معتبر در هر دو دسته بررسی شده و دقت گزارش شده در هر مقاله استخراج و با یکدیگر مقایسه شده است. نتایج نشان می دهد که مدل های دو مرحله ای در سناریوهای با پس زمینه پیچیده و نویز محیطی، به طور معمول دقت بالاتری نسبت به مدل های یک مرحله ای دارند، در حالی که مدل های یک مرحله ای با حفظ دقت قابل قبول، مزیت سرعت و اجرای بلادرنگ را ارائه می دهند. در پایان، تحلیل مقایسه ای نشان می دهد که انتخاب رویکرد مناسب باید بر اساس نیاز کاربرد (سرعت یا دقت) و شرایط محیطی انجام شود و ترکیب مزایای هر دو روش می تواند مسیر مناسبی برای پژوهش های آینده در زمینه تشخیص ژست دست باشد.

کلیدواژه ها:

تشخیص ژست دست ، تعامل انسان و ماشین ، یادگیری عمیق