一次性手势识别中的一致性
人机交互
2017-01-24 v1
摘要
用户的意图可以通过自发的手势来表达，这些手势可能仅被见过几次或从未见过。识别此类手势涉及一次性手势学习。虽然大多数研究专注于手势本身的识别，但最近提出了新的方法，将手势感知和生成作为同一问题的一部分来处理。本文提出的框架侧重于学习导致手势生成的过程，而不是挖掘手势的相关特征。这是通过利用人类交互的运动学、认知和生物力学特征来实现的。这些因素使得能够从单次观察中人工生成 realistic 的手势样本。生成的样本随后被用作不同最先进分类器的训练集。性能评估首先通过观察机器的手势识别百分比来进行。然后，通过人类对机器人执行的手势的识别来计算性能。基于这两种场景，提出了一种关于这两个条件之间一致量的复合新指标——一致性 (coherency)。实验结果表明，训练后的分类器平均识别性能为 89.2%，参与者的识别性能为 92.5%。识别中的一致性被确定为 93.6%。虽然这一新指标不能直接与原始准确率或其他纯粹的基于性能的标准指标进行比较，但它提供了一个量化标准，用于验证机器生成样本的真实程度以及由此产生的模仿的准确性。
引用
@article{arxiv.1701.05924,
title = {Coherency in One-Shot Gesture Recognition},
author = {Maria Cabrera and Richard Voyles and Juan Wachs},
journal= {arXiv preprint arXiv:1701.05924},
year = {2017}
}
备注
This paper was submitted to a IEEE conference