Neural network 手部检测的深度学习

如何使用深度学习进行手部检测。是否有关于使用深度学习进行手部检测的文章、教程或任何相关链接。请让我知道。手部检测的方法或步骤是什么

尽管问题可能很广泛，但有一个非常高层次的合理答案

可能您将获得的最大成功是通过微调预先训练的图像分类卷积神经网络模型，如VGG16、Inception、VGG19或ResNet

对于这种情况，可以使用Python、VGG19和Keras。您可以在这里为Keras购买经过预培训的VGG19型号

首先，收集尽可能多的手的图像（从2000开始，这将是一个相当稳定的数字），以及接近相等数量的非手图像，并将它们放入各自的目录中。对图像进行预处理，使其全部为224x224像素。这是VGG19预训练模型所必需的

接下来，需要对模型进行微调。您可以在链接中找到详细信息，但要点是弹出最后的1000节点完全连接层，并替换为2节点完全连接层，该层由手的类别组成，而不是手的图像

将图像导入numpy数组，其中每个图像由50176维向量表示。实际上，您可以创建一个包含50176行和图像数量的矩阵

此外，为标签创建二维一维热向量，其中[10]用于手部图像，[01]用于非手部图像

通过在VGG19中获取对Keras模型对象的引用，将数据拟合到预先训练的模型中

model.fit(image_data, one_hot_labels, epochs=10, batch_size=32)

我不会详细介绍历代、批量大小、验证数据等，但您要确保密切关注验证数据的预测效果，它通常是测试预训练模型准确性的下降预测器。您可以使用evaluate函数获得准确度分数

model.evaluate(image_validation_data, validation_labels, batch_size=32)

一旦模型经过训练且验证精度合理，就可以使用predict函数来测试是否有手部图像

model.predict(test_images, batch_size=32, verbose=0) 

关于更多信息，我强烈推荐fast.ai课程

---

要更详细地解释卷积神经网络，以及所有的数学和理论，斯坦福大学的CS231n课程是必须的。

Google？我对这个主题一无所知，但我输入了这个标题，得到了数百个结果。这是一个过于宽泛的问题。