基于前臂超声的边缘手势识别
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
我们提出了一种用于便携式可穿戴设备的新型轻量级手势识别框架,该框架由一系列最先进的深度学习模型驱动,能以实时性灵敏地识别手势,实现了80%的分类准确度和仅0.12秒的平均延迟。
Apr, 2019
本文提出了一种基于Snapture的手势识别系统,该系统可以同时学习静态手势和动态手势,以及一种分析手势动态特征的方法来调节静态通道。该系统在两个手势基准测试中相对于CNNLSTM基线表现出了优越性,并揭示了其在性能改进方面的潜力。
May, 2022
本文通过引入“无特征”的图像以区分手势的不同特征,并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术,提高静态手势识别的分类准确率,从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。
May, 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
提出了一种便携低成本的手部跟踪手套,采用多个微机电系统超声波传感器测量手指之间的距离矩阵,再利用轻量级深度网络从距离矩阵中重建出手部姿态,该方法精度高、尺寸不变且对外部干扰具有鲁棒性。
Jun, 2023
通过使用深度生成模型生成虚拟惯性测量单元信号,将sEMG信号和生成的虚拟IMU信号输入多模态卷积神经网络模型,可以显著提高基于sEMG的手势识别的准确性。
Aug, 2023
通过膜电位作为记忆列表,我们首次将无源领域适应引入脉冲神经网络,以缓解由分布变化引起的准确性降低,并通过新型的脉冲波Jaccard注意力提高了脉冲神经网络对表面肌电图特征的表示能力,从而显著提高了系统的准确性。在收集的新的表面肌电图手势数据集中,SpGesture在不同的前臂姿势中实现了最高的准确率(89.26%),并且在CPU上的实际部署展示了低于100毫秒的系统延迟,完全满足实时要求,这些令人印象深刻的性能展示了SpGesture在实际场景中增强表面肌电图的应用潜力。
May, 2024
大型视觉语言模型(如GPT-4o)是新兴的多模态基础模型,具有作为强大的人工智能辅助工具在医疗、工业和学术等领域的巨大潜力,虽然这类基础模型在广泛的常规任务中表现良好,但是在专门任务中它们在没有进行精细调整的情况下通常受到限制。然而,由于计算/内存/数据集要求巨大,完全调整大型基础模型具有挑战性。我们展示出GPT-4o即使在没有进行精细调整的情况下也能从前臂超声数据中解码手势,并通过少样本、上下文学习得到提升。
Jul, 2024