High Five：通过接纳不确定性改进手势识别
计算机视觉与模式识别
2017-10-27 v1
摘要
移动设备上的传感器——加速度计、陀螺仪、压力计和 GPS——催生了手势识别、游戏和健身追踪方面的新应用。然而，由于传感器捕捉到的人类手势含有噪声，对其编程仍具挑战性。本文说明，在有噪声的手势下，最先进的确定性隐马尔可夫模型（HMM）中手势识别的训练与分类精度会下降。我们引入一种新的统计量化方法，通过以下方式缓解这些问题：（1）在训练期间，为手势序列生成特定于手势的码本、HMM 和误差模型；（2）在分类期间，利用误差模型探索多条可行的 HMM 状态序列。我们在 Uncertain<t>（一个封装了 HMM 与误差模型并在运行时自动执行采样与推断的概率编程系统）中实现分类。Uncertain<T> 开发者直接在手势识别时表达应用特定的召回率与精确率之间的权衡选择，而非在训练时。我们在来自 28 人、共 4200 个手势、含 25 种手势的两个数据集上展示了在可配置性、精确率、召回率和识别方面的益处。在建模中更准确地纳入手势误差，将 20 种手势的平均识别率从先前工作的 34\% 提高到 62\%。在分类期间纳入误差模型进一步将平均手势识别率提高到 71\%。据我们所知，此前尚无工作展示如何在训练期间生成 HMM 误差模型并用其提高分类率。
引用
@article{arxiv.1710.09441,
title = {High Five: Improving Gesture Recognition by Embracing Uncertainty},
author = {Diman Zad Tootaghaj and Adrian Sampson and Todd Mytkowicz and Kathryn S McKinley},
journal= {arXiv preprint arXiv:1710.09441},
year = {2017}
}