在线识别不完整手势数据,以实现协作机器人的接口
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
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
通过使用简单的 RGB 相机,提出了一种新颖的深度学习框架,以解决人与机器人交互中的超远距离手势识别问题,该框架在复杂的室内和室外环境中指导一个自主四足机器人的表现优于人类识别的性能。
Nov, 2023
提出了一种利用机器学习系统通过 tri-axial 加速度数据识别动态手势的方法,该系统能够以最少的预处理分类不同速度的手势,而且在低成本的嵌入式平台(Raspberry Pi Zero)上运行,具备经济可行性。
Sep, 2018
本研究旨在提出一个强大的触觉手势识别系统,通过对各种手势识别方法进行综合评估,包括传统的特征工程方法和能够实时解释各种手势的当代深度学习技术,以适应手的大小、运动速度、施加压力水平和交互点的变化,我们对各种方法的深入分析为人机交互领域的基于触觉的手势识别做出了重要贡献。
May, 2024
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
本文探讨在制造应用中优化人机协作(HRC)框架以解决工作相关肌肉骨骼疾病(WMSDs)的高患病率,并提出两个假设:通过动作数据从重要的传感器中量化专业任务,将最危险的任务分配给协作机器人;通过包括手势识别和空间适应来提高 HRC 方案人体工效学并减少运营商肌肉骨骼搬运的身体努力。本文在电视制造过程中进行了 HRC 场景优化,并训练了一个基于深度学习的手势识别模块。
Mar, 2022
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