一种通用的多模态动态手势识别系统,采用机器学习
本文介绍了一种手势识别技术,使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征,其性能可与监督式可变自编码器等更高级的方法相媲美,并能通过自适应的误差校正机制进一步提高其分类性能,从而证明了运用此技术实现敏捷手势识别系统的可行性。
May, 2023
本文介绍了一个用于大量静态手势和动态手势分类识别的人机交互框架,利用佩戴式传感器进行数据收集,并采用降维和神经网络等处理技术,最终实现了在实时环境下的高准确率手势识别。
Apr, 2023
通过使用专有的 UWB 雷达传感器技术,本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程,其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是,我们的最佳模型达到了 96.78% 的准确率。此外,我们还开发了一个用户友好的 GUI 框架,用于评估模型的系统资源使用情况和处理时间,结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步,可以在各个领域中实现实际应用。
Oct, 2023
我们提出了一种手势定制的框架,仅需要用户提供极少量的样本即可实现个性化定制。通过大规模数据收集及实验,得出了加速度计和陀螺仪识别模型,与非手势数据相比误报率仅为 0.6 / 小时。此外,我们构建了一个基于少样本学习的框架,在减少性能损失的情况下建立了轻量级模型。最终,我们用 20 名用户进行了实验验证,其结果表明我们的定制框架具有良好的适用性和可用性,为用户提供了更多个性化手势选择的自由。
Mar, 2022
通过使用深度生成模型生成虚拟惯性测量单元信号,将 sEMG 信号和生成的虚拟 IMU 信号输入多模态卷积神经网络模型,可以显著提高基于 sEMG 的手势识别的准确性。
Aug, 2023
手势识别是一种不可或缺的自然高效人机交互技术组成部分,特别是在桌面级应用中,可以显著提升人们的生产力。本研究建立了一个名为 GR4DHCI 的数据集,其独特之处在于其固有的自然性、直观性和多样性,其主要目的是作为开发桌面级便携应用的宝贵资源。GR4DHCI 包括超过 7000 个手势样本和 382,447 帧的立体红外和骨骼模态。我们还通过将 27 个不同的手部位置纳入数据集中解决了桌面交互中手部定位的差异问题。建立在 GR4DHCI 数据集的基础上,我们进行了一系列实验研究,结果表明本文提出的细粒度分类块可以提高模型的识别准确性。这篇论文中提出的数据集和实验结果有望推动桌面级手势识别研究的进展。
Jan, 2024
通过问题转换方法和合成数据生成策略,本研究提出了一种表面肌电图(sEMG)手势识别系统,可有效提高表达能力,在短时间内实现模型校准,适用于人机交互、虚拟现实和机器人控制等领域。
Sep, 2023
通过使用机器人收集的数据来训练分类系统,这项研究探究了在训练智能系统时特定样本的稀缺性所带来的挑战。研究结果在确定使用机器人运动数据作为训练数据来准确识别佩戴智能手表的人类数字字符的潜力方面提供了有价值的见解,对于那些访问人类特定数据有限的领域具有广泛的影响。
May, 2024
本文提出了一种基于实时计算机视觉的手势识别应用程序的自然用户界面工具,该工具使用用户手上的虚拟手套标记作为输入,并采用深度学习模型进行实时手势识别。研究表明,该系统可以在社交互动和康复等实时应用中发挥有效作用。
Jul, 2022