申请/专利权人：河北大学

申请日：2024-03-29

公开（公告）日：2024-07-05

公开（公告）号：CN118295528A

主分类号：G06F3/01

分类号：G06F3/01;G06V40/10;G06V40/20;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明提供了一种基于一致性特征融合的AscNet模型及手势识别方法，AscNet模型包括依次连接的第一卷积层、16个Asc‑bneck、第二卷积层、平均池化层、第三卷积层、以及全连接层；Asc‑bneck为Stride＝1的结构或者Stride＝2的结构，Stride＝1的Asc‑bneck和Stride＝2的Asc‑bneck均包括两个Ascmodule；Ascmodule包括第四卷积层、第五卷积层和双分支注意力交互机制，Ascmodule以轻量级的方式高效获取输入数据的空间与通道特征。本发明提出了一种卷积模块与双分支注意力交互机制的高效融合方法，来实现在提高模型性能的同时，降低模型的计算负担，从而构建高效的轻量级手势识别模型。

主权项：1.一种基于一致性特征融合的AscNet模型，其特征在于，包括：第一卷积层，与Asc-bneck相连，用于调节输入数据的大小；依次相连的16个Asc-bneck，第一个Asc-bneck分别与所述第一卷积层和第二个Asc-bneck相连，第十六个Asc-bneck分别与第十五个Asc-bneck和第二卷积层相连，所述Asc-bneck用于获取精确的手势特征；第二卷积层，分别与平均池化层和第十六个Asc-bneck相连，用于调节第十六个Asc-bneck的输出特征的数量；平均池化层，分别与第二卷积层和第三卷积层相连，用于对第二卷积层输出的数据进行降维；第三卷积层，分别与平均池化层和全连接层相连，用于调节平均池化层的输出特征的数量；以及全连接层，与第三卷积层相连，用于输出手势的最终分类结果；所述Asc-bneck包括Stride＝1或者Stride＝2的结构，Stride＝1的Asc-bneck和Stride＝2的Asc-bneck均包括两个Ascmodule；所述Ascmodule包括第四卷积层、第五卷积层和双分支注意力交互机制，所述Ascmodule用于获取输入图像的空间与通道特征。

全文数据：

权利要求：

百度查询： 河北大学 一种基于一致性特征融合的AscNet模型及手势识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD