| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-32页 |
| 1.1 研究背景与意义 | 第15-19页 |
| 1.1.1 理论研究价值 | 第17-18页 |
| 1.1.2 应用研究价值 | 第18-19页 |
| 1.2 研究现状 | 第19-28页 |
| 1.2.1 体态感知 | 第20-23页 |
| 1.2.2 手势感知 | 第23-26页 |
| 1.2.3 深度机器学习 | 第26-28页 |
| 1.3 问题的提出 | 第28-29页 |
| 1.4 本文工作 | 第29-32页 |
| 第2章 从单目无标记视频中恢复三维人体姿态 | 第32-50页 |
| 2.1 概述 | 第32-34页 |
| 2.2 问题描述 | 第34-35页 |
| 2.3 基于双流深度卷积网络的解决方案 | 第35-36页 |
| 2.4 二维人体姿态估计 | 第36-38页 |
| 2.4.1 验证实验 | 第37-38页 |
| 2.5 三维人体姿态恢复 | 第38-41页 |
| 2.5.1 姿态条件关节速度 | 第39-40页 |
| 2.5.2 优化算法 | 第40-41页 |
| 2.6 性能评测与实验分析 | 第41-48页 |
| 2.6.1 实验配置 | 第41-43页 |
| 2.6.2 二维人体姿态估计评测 | 第43-45页 |
| 2.6.3 二维人体姿态已知的三维人体姿态恢复评测 | 第45页 |
| 2.6.4 二维人体姿态未知的三维人体姿态恢复评测 | 第45-48页 |
| 2.7 小结 | 第48-50页 |
| 第3章 从高密度瞬态肌电信号中识别手势 | 第50-66页 |
| 3.1 概述 | 第50-53页 |
| 3.2 问题描述 | 第53页 |
| 3.3 基于深度卷积网络的解决方案 | 第53-54页 |
| 3.4 基于深度卷积网络的手势识别 | 第54-58页 |
| 3.4.1 分类器训练方法 | 第57页 |
| 3.4.2 基于幅值的投票方法 | 第57-58页 |
| 3.5 性能评测与实验分析 | 第58-64页 |
| 3.5.1 CapgMyo数据集上的深度机器学习方法评测 | 第58-61页 |
| 3.5.2 CapgMyo数据集上的传统分类器评测 | 第61页 |
| 3.5.3 CSL-HDEMG数据集上的评测 | 第61-63页 |
| 3.5.4 NinaPro数据集上的评测 | 第63-64页 |
| 3.6 小结 | 第64-66页 |
| 第4章 基于深度领域自适应识别手势 | 第66-80页 |
| 4.1 概述 | 第66-68页 |
| 4.2 问题描述 | 第68-69页 |
| 4.3 基于深度领域自适应的解决方案 | 第69页 |
| 4.4 基于多流AdaBN的领域自适应方法 | 第69-71页 |
| 4.5 性能评测与实验分析 | 第71-78页 |
| 4.5.1 实验配置 | 第73-74页 |
| 4.5.2 CSL-HDEMG数据集上的评测 | 第74-76页 |
| 4.5.3 CapgMyo数据集上的评测 | 第76-78页 |
| 4.5.4 NinaPro数据集上的评测 | 第78页 |
| 4.6 小结 | 第78-80页 |
| 第5章 基于半监督深度机器学习识别手势 | 第80-94页 |
| 5.1 概述 | 第80-82页 |
| 5.2 问题描述 | 第82-83页 |
| 5.3 基于半监督深度机器学习的解决方案 | 第83-84页 |
| 5.4 基于半监督深度卷积网络的手势识别 | 第84-85页 |
| 5.5 面向半监督训练的肌电信号时序关系预测 | 第85-86页 |
| 5.6 面向半监督训练的手部姿态统计量预测 | 第86-87页 |
| 5.7 性能评测与实验分析 | 第87-93页 |
| 5.7.1 实验配置 | 第87-88页 |
| 5.7.2 NianPro数据集上的评测 | 第88-90页 |
| 5.7.3 CapgMyo数据集上的评测 | 第90页 |
| 5.7.4 CSL-HDEMG数据集上的评测 | 第90-93页 |
| 5.8 小结 | 第93-94页 |
| 第6章 总结与展望 | 第94-96页 |
| 参考文献 | 第96-115页 |
| 附录A CapgMyo数据集 | 第115-125页 |
| 附录B 基于瞬时肌电图像的手势识别超参数调优 | 第125-127页 |
| 附录C 攻读博士学位期间主要的研究成果 | 第127-128页 |
| 附录D 致谢 | 第128页 |
