通过特征激活增强和正交原型学习实现开放式手势识别
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
WiOpen 是一个鲁棒的 Wi-Fi 基础的开放式手势识别框架,通过消除不确定性和定义明确的决策边界来解决 Wi-Fi 感应中的挑战,从而实现了开放式手势识别。
Feb, 2024
本文提出了一种新的原型挖掘和学习(PMAL)框架,通过高质量和多样性的原型集来优化嵌入空间,以区分已知和未知对象,实验证明了该框架相对于现有技术的显着性能提升。
Mar, 2022
本文提出了一种新的框架 —— 基于原型相似性学习(PSL),该框架通过在特征中保留实例和类的信息来提高开放集行动识别问题的性能,并引入了视频洗牌来增加类特定信息。
Mar, 2023
我们提出了一种新的面部表情识别模型,将小类间距的劣势转化为优势,通过注意力图的一致性和循环训练来检测开放集样本,实验证明我们的方法在各种面部表情识别数据集上明显优于现有的开放集识别方法。
Jan, 2024
通过使用依据动作方向和修改因素定义的综合手势,从而快速实现高准确度的表情人机交互,且最小化了新受试者提供校准数据的时间。通过将真实的单一手势特征向量结合生成合成训练数据,我们从未见过的组合手势进行外推,这样的策略构建了一个大而灵活的手势词汇,而无需新受试者演示大量的示例手势。通过自我监督,我们预先训练了一个编码器和组合操作符,为未见受试者提供有用的合成训练数据。通过收集真实世界的电肌图数据集,并与两个基线方法进行对比评估:仅使用未见受试者的真实单一手势数据进行部分监督训练的模型,以及使用未见受试者的真实单一手势和真实组合手势数据进行完全监督训练的模型。研究结果表明,所提出的方法明显优于部分监督模型,并且在某些情况下达到了接近完全监督模型性能的有用分类准确度。
Oct, 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
设计并测试了一种实时控制的用户界面系统,通过提取腕带配置中八个电极的表面肌电(sEMG)活动。实时将 sEMG 数据传入机器学习算法,用于手势分类。实验结果表明,相对于基线,修改的反馈条件显著提高了准确性和手势分类分离,暗示了通过反馈操作的游戏化用户界面可能实现基于 sEMG 手势识别应用的直观、快速、准确的任务获取。
Sep, 2023
本研究提出了基于骨架的手势识别模型,采用重要的特征描述符 - 路径签名,并使用所提出的多种特征来明确表示空间和时间运动特征,并且通过注意手的原则来定义关节对,并使用 “dyadic method” 来提取 T_PS 和 T_S_PS 特征,最后采用多流全连接层和融合技术来进行分类,实验结果证明该方法可以实现骨架模型下手势识别的最佳表现。
Nov, 2018