数据受限场景下的无设备手势识别方法研究

摘要

针对无设备手势识别(device free gesture recognition, DFGR)技术因环境差异导致的精度下降问题，提出了一种基于深度学习的跨场景手势识别模型ADAN。该模型的创新之处体现在三个方面：其一，采用改进的ResNet101架构构建特征提取器，通过优化卷积核配置，提升捕捉手势细微特征的能力；其二，设计一个基于注意力机制的特征选择模块，通过动态权重分配实现关键特征的过滤和强化；其三，采用改进的域对抗损失函数对不同样本应用不同的权重操作，实现不同环境下的特征对齐。为验证模型性能，本研究基于Widar 3.0数据集构建了六个典型的室内环境进行训练。实验结果表明，ADAN在跨场景手势识别任务中实现了84.41%的平均准确率，较传统方法提升了3.11个百分点，并优于现有基准模型，为解决基于无线感知手势识别中的场景迁移问题提供了新的技术方法。

关键词

无线感知 / 跨场景手势识别 / 域对抗损失函数

基金资助

辽宁省教育厅自然科学类项目(JYTMS20230184)