Dec, 2022

使用少量样本学习模型快速学习动态手势识别

PDF
TL;DR本研究使用 Few-Shot Learning 模型，通过提供一到五个手势示例来识别五到十种不同的动态手势，模型的主干是使用 Long-Short-Term Memory 组成的 Relation Network，使用了 Jester 数据集中提取的手势参考点进行训练，在动态手势的识别方面的准确率为五种手势高达 88.8%，十种手势高达 81.2%，并尝试对 Few-Shot Learning 方法和传统 Deep Learning 方法之间对比，并表现出了大量观察数量的巨大节省潜力。
few-shot learningdynamic hand gesturesrelation networklong-short-term memoryjester dataset
发现论文，激发创造
  • 使用网络摄像头在长距离上识别动态手势以进行机器人引导

    本研究提出了一种从最多 20 米的远距离识别动态手势的模型 (SlowFast and Transformer architectures)，该模型能有效处理和分类视频帧中捕捉到的复杂手势序列，并且在性能上明显优于现有模型。

    Jun, 2024

  • 使用动态神经网络进行长距离手势识别

    我们提出了一种新颖、准确和高效的手势识别方法，通过动态神经网络从输入传感器数据的手势所在空间区域中选择特征进行进一步处理，从而使网络能够专注于手势识别所需的重要特征，并且在计算效率上优于其他技术。我们在 LD-ConGR 长距离数据集上展示了我们方法的性能，它在识别准确度和计算效率上优于之前的最先进方法。

    Aug, 2023

  • 低复杂度递归神经网络的便携式设备动态手势识别

    使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

    Aug, 2016

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 学习识别触摸手势：循环 vs. 卷积特征和动态采样

    利用深度神经网络，提出了基于动态采样和时间归一化组件的触摸手势学习方法，可以将变长手势转换为固定长度表示并处理多用户和硬件变化，本文还提出了新的手势数据集并在标准数据集上超越了现有技术并报告了接近完美的性能。

    Feb, 2018

  • 基于迁移学习和深度集成学习的手势识别的两阶段方法

    利用预训练的高性能深度神经网络模型在 HG14 数据集上进行手势识别，通过多个模型的集成学习技术，达到了 98.88% 的准确率，展示了深度集成学习技术在人机交互中的有效性及其在增强现实、虚拟现实和游戏技术等领域的潜在应用。

    Sep, 2023

  • 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

  • 基于可穿戴传感器的潜在嵌入利用，用于运动障碍人士的手势少样本连续学习

    本文介绍了一种基于回放的少样本持续学习框架中的潜在嵌入利用（LEE）机制，该框架显著提高了模型对分布不同的数据进行微调的性能。实验评估结果显示，该方法对于六种不同手势，使用一个、三个和五个样本时，平均测试准确率分别为 57.0％，64.6％和 69.3％。本方法有助于运动受限的人通过可穿戴设备进行人机交互和社交沟通，可以学习和应用他们独特的运动风格。

    May, 2024

  • 基于运动特征增强循环神经网络的基于骨架的动态手势识别

    本文提出了一种基于骨架的动态手势识别新运动特征增强的循环神经网络，该算法通过双向循环神经网络将动作特征与骨架序列结合起来，从而在识别手势时提高了准确性。

    Aug, 2017

  • 基于姿态的手势识别的双流神经网络

    本研究提出了基于自注意力图卷积网络和 RBI-IndRNN 的双流神经网络，用于提取短期和长期时间信息，以实现手势识别。在 Dynamic Hand Gesture 数据集和 First-Person Hand Action 数据集上验证了其有效性，并取得了最新的性能。

    Jan, 2021