介绍动态手势识别数据集DHG-14/28

已于 2023-05-13 21:01:29 修改
阅读量1.8k 收藏 11
点赞数 2
分类专栏： 数据集 文章标签： python
于 2023-05-13 00:23:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41194129/article/details/130652437
版权

动态手势 14/28 数据集包含以两种方式执行的 14 个手势序列：使用一根手指和整只手。 每个手势由 5 名参与者以 20 种方式执行 2 次 - 如上所述 - 产生 2800 个序列。所有参与者都是右撇子。 序列根据其手势、使用的手指数量、表演者和试验进行标记。序列的每一帧都包含一个深度图像，即22D深度图像空间和2D世界空间中3个关节的坐标，形成一个完整的手骨架。 英特尔实感短距离深度摄像头用于收集我们的数据集。深度图像和手骨架以每秒30帧的速度捕获，深度图像的分辨率为640x480。示例手势的长度范围为 20 到 50 帧。

在这里插入图片描述

下载数据集：http://www-rech.telecom-lille.fr/DHGdataset/#gestures

源码参考：https://github.com/kchengiva/Shift-GCN
在这里插入图片描述

手势识别基础：手势识别的数据集_（2）.数据集的概念与重要性
zhubeibei168的博客
04-06 819
数据集的质量和多样性对手势识别技术的发展至关重要。通过合理的数据采集、标注、预处理和划分，可以构建一个高质量的手势识别数据集，从而训练出性能优秀的模型。同时，公开和共享数据集可以促进技术的交流和进步，推动手势识别技术的发展。希望本节内容能帮助读者对手势识别数据集有更深入的理解，并为实际应用提供指导。
手势数据集，包含了8类不同的手势
12-18
手势数据集，2000张图片，每类手势100-500张图片不等。图片是我的家人和朋友，包含了8类不同的手势。图片尺寸为207 207。 手势数据集，2000张图片，每类手势100-500张图片不等。图片是我的家人和朋友，包含了8类不同的手势。图片尺寸为207 207。
清华大学手势数据集.zip
08-12
\清华大学手势数据集\20181128\user6\... .dat文件（4500个） 举例：user6-1-1-1-1-r1.dat #资源达人分享计划#
手势识别图像数据，三种手势每种100张图片
08-13
人手做出的“剪刀石头布”三种手势，每种手势都有100张图片，图片的大小为58*58，是经过后期处理的图片，内含有所有图片路径的txt文件。
动态手势识别--操作数据库（一）
GULUJIANG123的博客
06-28 3793
package com.example.gesture.database; import java.util.ArrayList; import java.util.List; import com.example.gesture.SensorData;//import 包名.类名 import android.content.Context; import android.database.
手势识别数据集 包括0到5六种数字
12-31
数据集包括0~5六种数字，已标注好，共434张图片，压缩包中包括与图片对应的xml和txt文件。解密密码请发邮箱852574882@qq.com。
数据推荐 | 手势识别训练数据集
AI 数据库me
02-10 3740
多样化，有按键、语音等，也由于整个疫情的大环境下，一种更方便更卫生更符合人们的非接触式交互方式—手势识别正大步发展，极富图像化和具备行动性的手势操作将会与人们的生活息息相关。该数据集采集通用静态手势数据，用于人机交互。​从手势种类来看，包含日常人机交互等50种常用的动态手势，具体包括手指滑动，手掌滑动，全掌变换、拳部滑动，静止等。
数字手势数据集（Coursera - Deep Learning）
10-04
Coursera - Deep Learning课程中用到的数字手势数据集（SIGNS），用于第二课Tensorflow Tutorial一节的编程练习。
W83627DHG-P APPLICATION CIRCUIT V1.1.pdf
03-12
本文档“W83627DHG-P APPLICATION CIRCUIT V1.1.pdf”主要涉及的是Winbond电子公司制造的W83627DHG-P这款硬件芯片的应用电路图。从内容来看，文档详细描述了该芯片的各个针脚功能及其在电路设计中的应用。W83627DHG-...
沙鹰鼓风干燥箱DHG-9423A
05-06
综上所述，沙鹰鼓风干燥箱DHG-9423A是一款集精准控温、高效安全和灵活配置于一体的先进干燥设备，广泛应用于各种实验室和工业生产环境，是干燥、烘焙和灭菌任务的理想选择。其智能化和人性化的设计，确保了实验过程...
手势识别paddle数据集.zip
04-02
paddle为大家准备的数据集是0-9的手势，每个手势有200+张彩色图片，分辨率为100x100，一共2000+张图片
动态手势识别
04-28
关于动态手势的文献
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
03-05
1.目标检测格式数据集，标签为yolo的txt格式 2.手势识别数据集，支持[ 'A', 'number 7', 'D', 'I', 'L', 'V', 'W', 'Y', 'I love you', 'number 5' ]10种手势的识别 3. 提供3组训练好的YOLOV5模型 4.代码中包含图形化界面 5.提供B站视频教程：https://www.bilibili.com/video/BV1YL4y1J7xz/
手势数字图像数据集-用手势表达012345+含21600张高质量真实采集手指数字图片-可用于深度学习算法训练.zip
04-23
手势数字图像数据集_用手势表达012345+含21600张高质量真实采集手指数字图片_可用于深度学习算法训练
手势识别数据库（已标记）
11-24
本数据集数据取自 https://lttm.dei.unipd.it//downloads/gesture/ 原数据集包含了14个人采集的共1400张样本，共10种手势。包括RGB图像、深度信息等，原图大小1280*960。 本数据集只选用了RGB图像，并将图像缩小为400*300。同时对所有的手势进行了样本标记，以PascalVOC格式记录。 所有标记坐标均以（0,0）为图像左上角点。
沙鹰鼓风干燥箱DHG-9240A
05-03
总体来说，沙鹰鼓风干燥箱DHG-9240A是一款集高效、精确、安全和智能化于一体的干燥设备，适合各种实验室和工业环境的使用，能够满足对温度控制有严格要求的实验或生产过程。其多样化的配置选项和强大的保护功能，使...
沙鹰鼓风干燥箱DHG-9123A
05-02
沙鹰鼓风干燥箱DHG-9123A是一款专为工矿企业、实验室以及科研单位设计的高效干燥设备，适用于各种干燥、烘焙、溶蜡及灭菌应用。这款干燥箱具有诸多先进特性和技术参数，确保了精确、安全且高效的运行。 首先，其...
JavaScript - Blob / File / base64 使用场景介绍与相互转换
王二红
04-26 3459
前言 本文首先介绍一下这三种对象使用场景，最后介绍下它们之间互转格式的解决方案。 您前端一旦涉及到文件或图片上传到服务器， 就势必离不了Blob/File/base64三种主流的类型。 Blob MDN：https://developer.mozilla.org/zh-CN/docs/Web/API/Blob 您可以观察到，像一些图片处理插件（例如有名的vue-cropper）图片裁剪插件， 它们将图片处理完毕后，都将使用blob对象返回处理好的图片，供开发者用于上传服务器。
DG-STA
最新发布
03-15
### 动态图时空注意力（DG-STA）概述 动态图时空注意力（Dynamic Graph Spatiotemporal Attention, DG-STA）是一种专为基于骨架的手势识别设计的技术。该方法旨在更高效地自动学习手部骨架的结构和动态信息，从而显著提高手势识别任务中的性能[^1]。 #### 主要特点 DG-STA 的核心优势在于其能够捕捉空间和时间维度上的复杂关系。以下是其关键技术点： 1. **动态图构建** DG-STA 利用了动态图的概念来建模骨骼关节之间的拓扑变化。这种方法允许网络自适应调整节点间的连接权重，以更好地反映实际运动过程中的动态特性。 2. **时空位置嵌入** 为了增强模型对节点身份以及时间序列的理解能力，DG-STA 提出了时空位置嵌入机制。这种嵌入不仅考虑了节点的空间分布特征，还融入了时间顺序的信息，进一步提升了模型的表现力。 3. **时空掩码操作** 针对计算效率问题，DG-STA 设计了一种高效的时空掩码策略。这一优化手段有效减少了不必要的计算开销，在保持高精度的同时实现了更快的推理速度。 #### 实验验证 通过对 DHG-14/28 数据集和 SHREC'17 Track 数据集的大规模测试，研究者证明了 DG-STA 方法相较于现有先进算法具有明显的优势。这些实验证明了 DG-STA 在处理复杂的三维手势识别场景时的强大能力。 ```python import torch import torch.nn as nn class DG_STA(nn.Module): def __init__(self, num_joints, input_dim, hidden_dim, output_dim): super(DG_STA, self).__init__() # 定义时空位置嵌入层 self.spatial_embedding = nn.Linear(input_dim, hidden_dim) self.temporal_embedding = nn.Linear(num_joints, hidden_dim) # 动态图模块 self.dynamic_graph_layer = DynamicGraphLayer(hidden_dim, hidden_dim) # 注意力机制 self.attention_layer = SpatialTemporalAttention(hidden_dim) # 输出预测头 self.output_head = nn.Sequential( nn.Linear(hidden_dim, output_dim), nn.Softmax(dim=-1) ) def forward(self, x): spatial_embedded = self.spatial_embedding(x) # 空间嵌入 temporal_embedded = self.temporal_embedding(x.permute(0, 2, 1)) # 时间嵌入 combined_features = spatial_embedded + temporal_embedded.permute(0, 2, 1) graph_output = self.dynamic_graph_layer(combined_features) # 动态图更新 attention_weights = self.attention_layer(graph_output) # 计算注意力分数 final_representation = (attention_weights * graph_output).sum(dim=1) predictions = self.output_head(final_representation) # 手势分类预测 return predictions ``` 上述代码片段展示了如何实现一个简化版的 DG-STA 架构。其中包含了关键组件如动态图层、时空注意力建模等部分。 --- ###
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

源代码杀手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值