Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Static Hand Gesture Recognition using Convolutional Neural Network with Data Augmentation
Department of Computer Science and Engineering University of Chittagong, Bangladesh.
University of Chittagong, Bangladesh.ORCID-id: 0000-0002-7473-8185
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Datavetenskap.ORCID-id: 0000-0002-3090-7645
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Datavetenskap.ORCID-id: 0000-0003-0244-3561
2019 (Engelska)Ingår i: Proceedings of the Joint 2019 8th International Conference on Informatics, Electronics & Vision (ICIEV), IEEE, 2019Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Computer is a part and parcel in our day to day life and used in various fields. The interaction of human and computer is accomplished by traditional input devices like mouse, keyboard etc. Hand gestures can be a useful medium of human-computer interaction and can make the interaction easier. Gestures vary in orientation and shape from person to person. So, non-linearity exists in this problem. Recent research has proved the supremacy of Convolutional Neural Network (CNN) for image representation and classification. Since, CNN can learn complex and non-linear relationships among images, in this paper, a static hand gesture recognition method using CNN was proposed. Data augmentation like re-scaling, zooming, shearing, rotation, width and height shifting was applied to the dataset. The model was trained on 8000 images and tested on 1600 images which were divided into 10 classes. The model with augmented data achieved accuracy 97.12% which is nearly 4% higher than the model without augmentation (92.87%).

Ort, förlag, år, upplaga, sidor
IEEE, 2019.
Nyckelord [en]
Convolutional Neural Network, Static hand gestures recognition, Data augmentation.
Nationell ämneskategori
Datavetenskap (datalogi) Medieteknik
Forskningsämne
Distribuerade datorsystem
Identifikatorer
URN: urn:nbn:se:ltu:diva-73308OAI: oai:DiVA.org:ltu-73308DiVA, id: diva2:1299000
Konferens
Joint 2019 8th International Conference on Informatics, Electronics & Vision (ICIEV), 26 - 29 April 2019, Spokane, United States
Projekt
A belief-rule-based DSS to assess flood risks by using wireless sensor networks
Forskningsfinansiär
Vetenskapsrådet, 2014-4251Tillgänglig från: 2019-03-25 Skapad: 2019-03-25 Senast uppdaterad: 2019-04-02Bibliografiskt granskad

Open Access i DiVA

fulltext(514 kB)61 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 514 kBChecksumma SHA-512
fa2350e314278c10eadf4b7a24a0bd24f071b47f865133fc47137f154c5be04d93e622f113dec764ffc9b094a208771d72604e66ffbb218da0e623c9fa95bc5c
Typ fulltextMimetyp application/pdf

Personposter BETA

Islam, Raihan UlAndersson, Karl

Sök vidare i DiVA

Av författaren/redaktören
Hossain, Mohammad ShahadatIslam, Raihan UlAndersson, Karl
Av organisationen
Datavetenskap
Datavetenskap (datalogi)Medieteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 61 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 186 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf