基于双视角不一致学习的开集肌电手势识别
计算机视觉与模式识别
2024-12-10 v2 信号处理
摘要
基于表面肌电图（sEMG）的手势识别在人机交互（HMI）中，特别是在假肢控制和运动康复方面，取得了显著的进展。然而，在实际应用中，准确识别闭合集内的预定义手势仍不足；一个稳健的开集系统需要有效地拒绝未知手势，同时正确分类已知手势，这在肌电手势识别领域鲜有探索。为处理这一挑战，我们首先报告了对于未知类别在不同视角下的预测不一致性差异，这可以显著增强开集识别性能。基于此洞见，我们提出了一种新颖的双视角不一致学习方法，PredIN，通过增强不同视角中类特征分布的不一致性，显式放大预测不一致性。具体而言，PredIN 通过最大化双视角之间类特征分布的不一致性来增强它们的差异；同时，它优化单个视角内的类间可分性，以保持个体性能。各种基准数据集上的全面实验表明，PredIN 以显著的优势超过当前最先进的方法。我们提出的方法同时实现了对预定义手势的准确闭集分类和对未知手势的有效拒绝，展示了其在基于 sEMG 的开集手势识别中的有效性与优越性。
引用
@article{arxiv.2407.19753,
title = {Towards Open-Set Myoelectric Gesture Recognition via Dual-Perspective Inconsistency Learning},
author = {Chen Liu and Can Han and Chengfeng Zhou and Crystal Cai and Dahong Qian},
journal= {arXiv preprint arXiv:2407.19753},
year = {2024}
}
备注
Under review