Resumen

La detección de posturas manuales multiclase basada en ventanas deslizantes se realiza a menudo detectando posturas de cada categoría predefinida utilizando un detector independiente, lo que hace que carezca de eficiencia y resulte en altas tasas de confusión de posturas en aplicaciones en tiempo real. Para abordar tales problemas, en este trabajo se investiga un detector en cascada eficiente que integra múltiples modelos binarios basados en softmax (SftB) y un modelo multiclase basado en softmax (SftM) para realizar la detección de posturas multiclase en paralelo. Los modelos SftB se utilizan para distinguir las posturas predefinidas de las regiones de fondo, y el modelo SftM se aplica para discriminar entre todas las categorías de posturas manuales predefinidas. Otro uso de la estructura en cascada es que podría descomponer eficazmente la complejidad del espacio de patrones de fondo y, por lo tanto, mejorar la precisión de detección. Además, para equilibrar la precisión

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Ventana deslizante; Multiclase; Detección de postura de mano; Detector en cascada; Modelos basados en softmax; Características HOG
• Keywords:Sliding-window; Multiclass; Hand posture detection; Cascade detector; Softmax-based models; HOG features