摘要：针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注任何人体关节信息,直接从像素标签中学习人体更高层次的信息,利用学习到的人体关节信息更好地定位服装分割的区域,降低了姿态估计过程中的损失。实验表明,Deeplabv2-SSL网络可以有效地解析服装中人体的个别部位以及服装区域。测试过程中总体像素精度大约83.37%,平均像素精度大约52.53%,较其他语义分割模型性能更佳。

摘要：本文提出了一种基于深度学习的手势识别来控制机器人做复杂动作的解决方案。本文提出的方案展现出有效的开放性和可扩展性,无论是手势识别还是在机器人复杂动作方面,都可以根据需求做相应调整。同时,本研究工作创建了一个有效的基于人工智能网络的机器人控制实用实验平台。实验设计分别以运用6个基础手势控制机器人在危险环境中清除可疑物品为例,验证了开发的平台可以让机器人实时、远程地完成预设复杂动作,满足现实中自然人机交互的功能。