13、动态手势识别与智能家居活动识别的模型优化与应用

动态手势识别与智能家居活动识别的模型优化与应用

1. 动态手势识别模型微调的研究

在动态手势识别中，模型的个性化微调是提升性能的关键。研究人员对微调策略、微调参数数量、用户特定训练样本数量、批量大小和学习率等因素对个性化模型性能的影响进行了研究。

1.1 批量大小和学习率的影响

研究人员实验了批量大小为 1、2 和 4，以及学习率为 0.01 和 0.001 对微调性能的影响。结果表明，当批量大小相对较小时，较小的学习率 0.001 比较大的学习率 0.01 能产生更好的收敛曲线。在批量大小方面，通常批量越大，收敛效果越好。对于 3D - MobileNetV2 和 3D - ShuffleNetV2 模型，使用批量大小为 1 会因收敛不稳定而降低全局模型性能。而使用学习率 0.001 时，批量大小为 2 仅略逊于批量大小为 4 的情况，同时还能节省训练内存，这对于资源受限的设备进行微调非常关键。对部分网络进行微调时，使用批量大小为 2 或 4 以及学习率 0.001 也能使所有模型实现稳定收敛。具体情况如下表所示：
| 批量大小 | 学习率 | 收敛情况 | 对全局模型性能影响 | 内存使用情况 |
| ---- | ---- | ---- | ---- | ---- |
| 1 | 0.01 | 不稳定 | 可能降低 | 低 |
| 1 | 0.001 | 不稳定 | 可能降低 | 低 |
| 2 | 0.01 | 一般 | 适中 | 适中 |
| 2 | 0.001 | 较好 | 较好 | 适中 |
| 4 | 0.01 | 较好 | 较好 | 高 |
| 4 | 0.001 | 好 | 好 | 高 |