Сравнение архитектур глубоких сверточных нейронных сетей применительно к задаче распознавания жестов

В настоящей работе рассматриваются вопросы применения современных архитектур сверточных нейронных сетей (СНС) для решения задачи распознавания жестов. Актуальность темы обусловлена растущим интересом к системам человеко-машинного взаимодействия, таким как управление устройствами с помощью жестов, виртуальная и дополненная реальность, а также медицинским и реабилитационным технологиям. В работе проводится сравнительный анализ эффективности различных архитектур СНС, включая ResNet, EfficientNet, Inception, VGG16 и DenseNet, для задачи классификации жестов. Проведены экспериментальные исследования на специализированном наборе данных Sign Language MNIST, включающем 25 классов различных жестов. Приводятся результаты обучения моделей, выполнен анализ качества полученных решений с использованием стандартных оценок, таких как accuracy, precision, recall и F-мера. В ходе исследования модели обучались как с инициализацией случайными весами, так и с использованием предобученных весов на наборе данных ImageNet, содержащем более 14 миллионов изображений. На основе проведенного анализа даются рекомендации по выбору архитектур нейронных сетей глубокого обучения для решения задачи распознавания жестов, что представляет практическую ценность при разработке современных технологий эффективного человеко-машинного взаимодействия.