ECCVJan, 2019

UAV-GESTURE: 用于无人机控制和手势识别的数据集

PDF
TL;DR为了填补这一空白并在更广泛的应用领域中开展研究，我们在室外环境中记录了一组 UAV 手势信号数据集。数据集中包含适用于基本 UAV 导航和指令的 13 个手势，共计 119 个高清视频剪辑，包含 37151 个帧，由基于姿势的卷积神经网络（P-CNN）计算得到的手势识别性能为 91.9％。
uavgesture signalsoutdoor settinggesture recognitiondataset
发现论文，激发创造
  • UAV-Human: 一项利用无人机进行人类行为理解的大型基准测试

    本文介绍一种新的基于无人机的人类行为理解基准测试方法 (UAVHuman)，其中包含超过 67000 多模态视频序列和 119 个被试进行动作识别、22476 帧进行姿态估计、41290 帧和 1144 个身份进行人员重识别，以及 22263 帧进行属性识别。并且我们提出了一种鱼眼视频驱动的动作识别方法，通过学习受平面 RGB 视频引导的无界变换来减轻鱼眼视频中的失真。

    Apr, 2021

  • 自主驾驶车辆的交通控制手势识别

    本研究利用 3D 骨骼输入设计数据集，旨在提供用于交通控制手势识别的学习数据，并针对其进行了多种深度神经网络、注意力机制、图卷积网络等方案，同时进行了真实环境测试和综合分析。

    Jul, 2020

  • 基于超宽带的静态手势分类

    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

  • 人体动作识别的多视点室外数据集

    该论文提供了一个从多个角度观测人类行为的数据集，并在两流卷积神经网络结构配合核排名汇总的方法下获得了 74.0% 的动作识别准确率。

    Oct, 2021

  • 可解释的水下潜水员手势识别

    我们提出了一个利用深度学习训练的基于水下手势数据集的水下手势识别系统，并且使用可解释人工智能技术来可视化模型的预测结果，取得了 98.01% 的准确率。

    Dec, 2023

  • 增强现实应用中，合成视频生成用于手势识别的鲁棒性提升

    本文介绍了一个能够生成具有标记边界框和指尖的逼真视频的框架，以帮助设计、训练和基准测试增强现实 /virtual reality 应用程序中的手势识别模型，并展示了我们的框架在生成具有不同背景的视频方面的有效性。

    Nov, 2019

  • 桌面人机交互的多模态手势识别数据集

    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

  • 在线识别不完整手势数据，以实现协作机器人的接口

    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

  • 基于雷达的静态手势在美国手语中的识别

    人机交互与虚拟现实领域中，自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络，以在虚拟现实和人机交互应用中提高手势识别的性能。

    Feb, 2024

  • 利用雷达点云进行跨模态学习的图形表示，长距离手势识别

    本文提出了一种利用基于点云的交叉学习方法（从相机到六十吉赫兹 FMCW 雷达）的长距离（1m-2m）手势识别解决方案，使用动态图卷积神经网络（DGCNN）建模点之间的关系并用双向 LSTM 网络建模时间动态，实验结果表明该模型在五个手势的整体精度达到了 98.4％且具有泛化能力。

    Mar, 2022