-
题名中国手语手势词识别的一种快速方法
被引量：5
- 1
-
-
作者
吴江琴
高文
庞博
韩静萍
-
机构
哈尔滨工业大学计算机系
中国科学院计算技术研究所
哈尔滨工业大学威海分校信息控制系
-
出处
《高技术通讯》
EI
CAS
CSCD
2001年第6期23-27,共5页
-
基金
863计划 ( 863 3 0 6 ZT0 3 0 1 2 )
国家自然科学基金 ( 697893 0 1)
+1 种基金
国家教委跨世纪人才基金
中国科学院百人计划资助项目
-
文摘
选取Cyberglove型号数据手套作为手语输入设备 ,采用DGMM (DynamicGaus sianMixtureModel)作为手势词识别技术 ,提出了基于相对熵的搜索策略 ,并将其应用于基于半连续DGMM的手势词识别中以提高手势词识别速度。实验结果表明 ,采用搜索策略后手势词识别效果与原来相当 ,而识别速度提高了近 1 5倍。
-
关键词
手语识别
动态高斯混合模型
隐式马尔可夫模型
相对熵
手势词识别
SCDGMM
神经网络
-
Keywords
Sign language recognition, Dynamic Gaussian mixture model, Hidden Markov model, Relative entropy
-
分类号
H026.3
[语言文字—语言学]
-
-
题名基于变分持续贝叶斯元学习的推荐算法
被引量：1
- 2
-
-
作者
朱文韬
刘威
梁上松
朱怀杰
印鉴
-
机构
中山大学计算机学院
中山大学人工智能学院
广东省大数据分析与处理重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2023年第7期66-71,共6页
-
基金
国家自然科学基金(U1911203,61902439,61902438,62002396)
广东省基础与应用基础研究基金(2021A1515011902,2020A1515011251,2019A1515011159,2019A1515011704)。
-
文摘
元学习方法近年被引入推荐系统以缓解冷启动问题。现有元学习算法只能提高算法处理一组静态分布的数据集(任务)的能力。当面对多个服从非平稳分布的数据集时,现有模型往往会出现负知识转移以及灾难性遗忘问题,导致算法推荐性能大幅下降。探索了基于变分持续贝叶斯元学习(Variational Continuous Bayesian Meta-Learning, VC-BML)的推荐算法。首先,算法假设元参数服从动态混合高斯模型,使其具有更大的参数空间,提高了模型适应不同任务的能力,缓解了负知识转移问题。然后,VC-BML的任务集群数量由中国餐馆过程(Chinese Restaurant Process, CRP)来灵活确定,使得模型在不同的混合分量中存储不同任务分布的知识,并在类似任务出现时调用这些知识,有助于缓解传统算法中的灾难性遗忘问题。为了估计模型参数的后验概率,算法采用了一种更稳健的结构化变分推理方法来近似后验值,以避免遗忘知识。最后,VC-BML在4个非平稳分布的数据集上的表现均优于基准算法。与基于点估计的基准算法相比,VC-BML提高了模型的稳健型,有助于缓解灾难性遗忘问题。
-
关键词
推荐算法
冷启动
元学习
动态混合高斯模型
-
Keywords
Recommendation algorithm
Cold-start problem
Meta-learning
Dynamic Gaussian mixture model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
