UAC：面向手势检测的不确定性感知神经网络校准方法
计算机视觉与模式识别
2025-04-07 v1 人工智能
摘要
人工智能有潜力在建筑、制造业和医疗等安全关键领域影响安全性和效率。例如，通过来自可穿戴设备（如惯性测量单元，IMU）的传感器数据，可以在保持隐私的同时检测人类手势，从而确保遵守安全协议。然而，这些领域的严格安全要求限制了AI的采纳，因为准确校准预测概率以及对分布外（OOD）数据的鲁棒性是必要的。本文提出了UAC（不确定性感知校准），一种新颖的两步方法，用于解决IMU基于手势识别中的这些挑战。首先，我们提出了一种不确定性感知手势网络架构，从IMU数据预测手势概率及其相关不确定性。这种不确定性用于校准每个可能手势的概率。其次，使用基于多个IMU数据窗口的预测期望，用于在保持正确校准的同时提高准确性。我们使用三个公开可用的IMU数据集进行手势检测评估，并将其与三种先进的神经网络校准方法进行比较：温度缩放、熵最大化和拉普拉斯近似。UAC在OD和分布内场景中均优于现有方法，实现了准确性和校准的提升。此外，我们发现与本方法相比，现有的先进方法均未显著提高IMU基于手势识别模型的校准水平。总之，本工作凸显了神经网络不确定性感知校准的优势，为使用IMU数据进行手势检测在校准和准确性方面实现了改进。
引用
@article{arxiv.2504.02895,
title = {UAC: Uncertainty-Aware Calibration of Neural Networks for Gesture Detection},
author = {Farida Al Haddad and Yuxin Wang and Malcolm Mielle},
journal= {arXiv preprint arXiv:2504.02895},
year = {2025}
}
备注
12 pages, 2 figures