التعلم التمييزي العميق لتمييز إشارات اليد على الأجهزة المحمولة

التعرف على الإيماءات هو مشكلة صعبة في مجال البيومترية. في هذا البحث، نقوم بدمج معيار فيشر (Fisher criterion) في شبكات الذاكرة طويلة المدى ثنائية الاتجاه (Bidirectional Long-Short Term Memory - BLSTM) ووحدات التكرار المغلقة ثنائية الاتجاه (Bidirectional Gated Recurrent Unit - BGRU)، مما يؤدي إلى نموذجين عميقين جديدين يُطلق عليهما F-BLSTM و F-BGRU. يمكن لكل من النماذج التمييزية العميقة التي تعتمد على معيار فيشر تصنيف الإيماءات بكفاءة بناءً على تحليل بيانات تسارع وسرعة الزاوية للإيماءات البشرية. علاوة على ذلك، قمنا بجمع قاعدة بيانات إيماءات محمولة كبيرة (Mobile Gesture Database - MGD) تعتمد على التسريعات وسرعات الزاوية وتتضمن 5547 سلسلة من 12 إيماءة. تم إجراء تجارب واسعة لتأكيد الأداء المتفوق للشبكات المقترحة مقارنة بأحدث شبكات BLSTM و BGRU على قاعدة بيانات MGD وعلى قاعدتين مرجعيتين (أي BUAA mobile gesture و SmartWatch gesture).