开放式手势识别
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
综合研究开放环境下机器学习的未知拒绝、新类别发现和类别自适应学习等方面,探讨了当前方法的挑战、原则和限制,以及未来研究的潜在方向。旨在全面介绍新兴的开放环境机器学习范式,帮助研究人员在各自领域构建更强大的人工智能系统,并促进人工通用智能的发展。
Mar, 2024
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
通过对线性变换特征空间距离单调递减函数的和进行分组来解决 “开放空间风险” 和经验风险之间的平衡,提出了开放世界识别问题,提出了一种用于评估开放世界识别系统的协议,并演示 Nearest Non-Outlier 算法如何可靠有效地处理大规模的图像数据集。
Dec, 2014
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
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
这篇论文在机器学习领域做出了重要贡献,特别是在面对前所未见的数据和情境的开放世界情况下。通过研究开放世界机器学习中的 Out-of-distribution (OOD) Detection 和 Open-world Representation Learning (ORL) 两个关键步骤,该论文提出了算法解决方案和理论基础,为构建性能卓越且在不断变化的复杂实际世界中可靠的机器学习模型铺平了道路。
Oct, 2023
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
我们在开放世界场景中研究了终身图形学习的问题,通过利用 ODD 检测方法来识别新的类别,并将现有的非图形 ODD 检测方法应用于图形数据中,通过聚合图形邻域信息与 OOD 检测方法相结合来进行新类别的检测。我们提出了一种弱监督相关反馈(Open-WRF)方法,用于减少 OOD 检测中阈值的敏感性,并通过在六个基准数据集上的评估结果证明我们的方法在 OOD 评分的邻域聚合上的性能优于现有方法,同时我们证明了我们的 Open-WRF 方法在阈值选择上更为鲁棒,并分析了图形邻域对 OOD 检测的影响。我们的聚合和阈值方法与任意图形神经网络和 OOD 检测方法兼容,使得我们的方法适用于许多实际应用。
Oct, 2023