基于预训练相似度学习的扩展现实中的通用用户识别
人机交互
2024-10-28 v6 机器学习
摘要
各种机器学习方法已被证明可用于扩展现实（XR）中基于运动数据的用户验证与识别。然而，其实际应用仍面临在通用性（即可扩展性与泛化能力）方面的重大挑战。本文提出一种既可在无需昂贵重训练的情况下扩展至新用户，又能很好地跨不同会话、设备及用户任务泛化的解决方案。为此，我们开发了一个相似度学习模型，并在“Who Is Alyx?”数据集上对其进行预训练。该数据集包含用户游玩VR游戏“Half-Life: Alyx”时广泛任务及相应运动。与以往工作不同，我们使用了一组专门的用户进行模型验证与最终评估。此外，我们使用一个包含完全不同用户、任务及三种不同XR设备的独立数据集扩展了该评估。与传统分类学习基线相比，我们的模型表现出更优性能，尤其在注册数据有限的场景中。预训练过程使得模型可在多样化XR应用中即时部署，同时保持高通用性。展望未来，我们的方法为在生产级XR系统中轻松集成预训练基于运动的识别模型铺平了道路。
引用
@article{arxiv.2302.07517,
title = {Versatile User Identification in Extended Reality using Pretrained Similarity-Learning},
author = {Christian Rack and Konstantin Kobs and Tamara Fernando and Andreas Hotho and Marc Erich Latoschik},
journal= {arXiv preprint arXiv:2302.07517},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication