基于卷积神经网络的手势识别研究论文

1、卷积神经网络 有哪些改进的地方

近期卷积神经网络在研究领域取得的突破性进展，激发了学术界对立体匹配重建技术优化的浓厚兴趣。从理论层面分析，借助学习算法可以有效提取全局语义信息，例如基于高光和反射的先验知识，从而实现更为稳定的匹配效果。当前已有部分研究致力于探索双视图立体匹配方法，通过引入神经网络来替代传统的人工设计相似性度量或正则化手段。这些新型方法展现出更优的表现，并逐步超越传统立体匹配技术。实际上，立体匹配任务非常契合卷积神经网络的应用场景，因为输入图像对已经经过校正处理，因此该问题可转化为在水平方向上逐像素进行视差估计的任务。

与双目立体匹配存在显著差异的是，多视角立体匹配（MVS）的输入为任意数量的视图，这构成了深度学习方法所面临的复杂挑战。目前针对这一问题的研究成果仍较为有限，例如SurfaceNet通过预先构建彩色体素立方体进行三维重建，并将所有像素的颜色信息与相机参数整合为一个三维代价体作为网络输入。然而由于三维代价体对内存资源需求极高，SurfaceNet网络结构难以进一步扩展：该方法采用了一种启发式的“分而治之”策略，在处理大规模场景时往往需要耗费大量时间。