搜索引擎优化毕业论文(论文（已公开）和代码（还在整理中）)

　　搜索引擎优化毕业论文(论文（已公开）和代码（还在整理中）)

　　论文（已发表）和代码（仍在编写中）位于cooljacket/hand_detection_and_gesture_recognition。论文答辩的结果是我只拿到了普通的优秀论文，却没有拿到校级优秀论文……但我反省了一下，发现我的论文真的写得不好，也没有明确说明我的贡献防御（重点介绍算法的细节很有趣...）。

　　后来我发现我做的不是手部追踪，而是检测。让我用几句话解释我的想法。其实很简单。

　　手部追踪效果很差，那就用检测来做吧；检测速度很慢（例如Faster R-CNN在普通机器上无法实时）；慢是因为候选区域太多，那么使用运动信息减少候选区域的数量；运动信息，简单理解为“图片在哪里运动”，可以通过背景减法得到；如何根据运动信息生成候选区域？我的解决方案是：集群。

　　这五个想法最好结合论文一起看，很容易理解，论文有详细的图表。

　　另外，谢谢你鼓励我！

　　祝愿所有热爱科研的人都能描述出他们精彩的笔触！（当然这里不是说我自己的算法，只是祝福）

　　==========以上内容于2017年6月27日更新=============

　　我在现实生活环境中做了手势识别。主要任务是：

　　1. 我设计了一个跟踪算法，非常适用于手势识别场景；

　　2.在识别方面，采用ResNet深度神经网络模型采集数据并自行训练，准确率达到94%以上。但是机器太渣，采集数据的能量有限，否则模型可以更准确；

　　3. 将整个流程模块化，分成五个相对独立的模块，使用多线程优化整体效率。

　　至于为什么叫“现实生活环境中的手势识别”，是因为我发现很多论文一直在用背景很简单的数据来测试效果，而且算法简单到让人不解。大家都说他们的准确率很高很高，很少有人真正做出真正有用的应用。而且，图像识别领域已经被深度学习打破，不再需要通过传统方法来做手势识别（比如传统方法一般需要先分离前景，然后人工提取特征，再训练一个分类器...），所以我认为现在是这样做的好时机。

　　至于这件事的意义，我也没多想，因为这是我大二时的一个心愿。我当时很天真，以为如果效果做得好，如果能达到工业水平，肯定会有人愿意买这个算法，然后……哈哈哈，但是当我真正做到了，我意识到我想把它做好。难的。每次遇到难关，我总觉得用kinect、leapmotion等深度*敏*感*词*可以轻松准确地实现手势识别，而且价格也不算太贵。我这样做真的有意义吗？我在论文中写道，它不需要很贵，普通人可以在普通电脑上使用普通*敏*感*词*……良好的手势识别可以让用户享受“滑动即走”的乐趣

　　至少完成了一个小小的愿望。我已经断断续续地工作了大约四个月。我已经忙了两个多月了。突破出现在春节期间。. 最后，我没有选择读*敏*感*词*。这大概是我这辈子最后一次做科研相关的事情了，还是学生自己。

　　ps，至于算法的细节，等我答完毕业，我就不能透露了。

　　—— 2017年5月1日23:30