张笑钦，黄自玮：温州大学
郑晶晶，王硕，姜贤塔：加拿大纽芬兰纪念大学
Xiaoqin ZHANG, Ziwei HUANG, Jingjing ZHENG, Shuo WANG & Xianta JIANG. DcnnGrasp: towards accurate grasp pattern recognition with adaptive regularizer learning. Sci China Inf Sci, 2024, 67(12): 229102, doi:10.1007/s11432-022-4237-4在抓取手势识别工作中，智能假肢通常凭借带抓取物体图像做出抓取手势识别，进而驱动智能假肢以该手势抓取物体。在这种情况下，物体图像在输入模型前会采取图像缩放的方式，以符合模型输入要求，进而导致图像实际尺寸信息扭曲，模型难以做出正确判断。为解决上述问题，本文提出了一个双分支网络结构DcnnGrasp、自适应联合交叉熵损失函数JCEAR以及基于块坐标下降算法的训练策略BCDTS。首先，DcnnGrasp包含了物体类别分类以及抓取手势识别，通过物体类别分类提取到的特征图以增强抓取手势识别性能。其次，在训练过程中，采用自适应联合交叉熵损失函数JCEAR将两个任务训练协调。最后，采用基于块坐标下降算法的训练策略BCDTS，进一步平衡两个任务的学习，从而使得DcnnGrasp在物体分类任务与抓取手势识别任务上都表现出优秀的性能。
(1) 提出双分支网络结构DcnnGrasp，利用物体分类特征图以增强抓取手势识别性能。(2) 提出自适应联合交叉熵损失函数JCEAR，使模型训练中两个分支任务能够相互促进。(3) 提出基于块坐标下降算法的训练策略BCDTS，采取该训练策略能够使DcnnGrasp在两个分支任务上均取得优秀性能。图1 DcnnGrasp模型结构
本文采用RGB-D Object dataset、Hit-GPRec dataset、Amsterdam library of object images dataset（ALOI）、COIL-100 dataset以及MeganePro dataset 1进行测试，并且采用了三种采样方式对模型以及自适应学习策略进行评估。第一种采样方式为数据集内交叉验证（Within-whole dataset cross-validation，WWC），第二种采样方式为对象间交叉验证（Between-object cross-validation，BOC），第三种采样方式为基于物体类别的采样方式（Object category-based sampling）。![]()
![]()
实验包括：
1. 对比实验：采用不同的采样方式在多个数据集上对模型进行测试，并与其他优秀模型进行比较。
2. 消融实验：对提出的双分支模型结构、自适应联合交叉熵损失函数JCEAR以及基于块坐标下降算法的训练策略BCDTS有效性进行分析。
3. 验证收敛实验：对模型训练收敛性进行验证。
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
