Fugu-MT 論文翻訳(概要): Hand Gesture Recognition Based on a Nonconvex Regularization

論文の概要: Hand Gesture Recognition Based on a Nonconvex Regularization

arxiv url: http://arxiv.org/abs/2104.14349v1
Date: Thu, 29 Apr 2021 13:58:55 GMT
ステータス: 処理完了
システム内更新日: 2021-04-30 19:01:37.003958
Title: Hand Gesture Recognition Based on a Nonconvex Regularization
Title（参考訳）: 非凸規則化に基づく手のジェスチャー認識
Authors: Jing Qin and Joshua Ashley and Biyun Xie
Abstract要約: 手の動きの認識は、人間ロボットの相互作用において最も基本的なタスクの1つである。スパース法は手の動きの認識に広く用いられている。
参考スコア（独自算出の注目度）: 10.690496500954074
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recognition of hand gestures is one of the most fundamental tasks in human-robot interaction. Sparse representation based methods have been widely used due to their efficiency and low requirements on the training data. Recently, nonconvex regularization techniques including the $\ell_{1-2}$ regularization have been proposed in the image processing community to promote sparsity while achieving efficient performance. In this paper, we propose a vision-based human arm gesture recognition model based on the $\ell_{1-2}$ regularization, which is solved by the alternating direction method of multipliers (ADMM). Numerical experiments on realistic data sets have shown the effectiveness of this method in identifying arm gestures.
Abstract（参考訳）: 手の動きの認識は人間とロボットの相互作用において最も基本的なタスクの1つである。スパース表現に基づく手法は、その効率性と訓練データに対する低要求のために広く用いられている。近年,画像処理コミュニティにおいて,効率の良い性能を保ちながら疎性を促進するために,$\ell_{1-2}$正規化を含む非凸正則化技術が提案されている。本稿では,乗算器の交互方向法(ADMM)を用いて,$\ell_{1-2}$正規化に基づく視覚に基づく人間の腕のジェスチャー認識モデルを提案する。現実的なデータセットに関する数値実験により,腕のジェスチャーの同定における本手法の有効性が示された。

関連論文リスト

HaHeAE: Learning Generalisable Joint Representations of Human Hand and Head Movements in Extended Reality [12.66912930544108]
HaHeAEは、XRにおける手と頭の動きの一般化可能な関節表現を学習するための、新しい自己指導手法である。提案手法は, 再建品質の点で, 一般的な自己管理手法よりも74.0%高い性能を示した。
論文参考訳（メタデータ） (2024-10-21T18:50:16Z)
Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文参考訳（メタデータ） (2023-05-12T17:24:02Z)
Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文参考訳（メタデータ） (2022-10-11T08:24:50Z)
ProFormer: Learning Data-efficient Representations of Body Movement with Prototype-based Feature Augmentation and Visual Transformers [31.908276711898548]
身体からのデータ効率の高い認識法は、画像のような配列として構造化された骨格配列をますます活用している。我々は、このパラダイムをトランスフォーマーネットワークの観点から見て、初めて、骨格運動のデータ効率の高いエンコーダとして視覚トランスフォーマーを探索する。私たちのパイプラインでは、画像のような表現としてキャストされたボディポーズシーケンスをパッチ埋め込みに変換し、深いメトリック学習に最適化されたビジュアルトランスフォーマーバックボーンに渡します。
論文参考訳（メタデータ） (2022-02-23T11:11:54Z)
Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文参考訳（メタデータ） (2021-08-15T02:21:01Z)
SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
論文参考訳（メタデータ） (2021-04-06T13:12:51Z)
Understanding the hand-gestures using Convolutional Neural Networks and Generative Adversial Networks [0.0]
このシステムは、リアルタイムハンドトラッキング、トレーニングジェスチャ、および畳み込みニューラルネットワークを用いたジェスチャー認識の3つのモジュールで構成されている。アルファベットや数字を含む36のジェスチャーの語彙でテストされ、アプローチの有効性が検証されている。
論文参考訳（メタデータ） (2020-11-10T02:20:43Z)
Quantitative analysis of robot gesticulation behavior [2.9048924265579124]
本研究の目的は、元のトレーニングデータに対する忠実度などの特性を測定することであるが、同時に生成したジェスチャーの独創性の度合いを追跡することである。ジェスチャーにFr'echet Inception Distanceを適用することで、新しいFr'echet Gesture Distanceを提案する。
論文参考訳（メタデータ） (2020-10-22T11:17:18Z)
Learning Expectation of Label Distribution for Facial Age and Attractiveness Estimation [65.5880700862751]
本稿では,2つの最先端手法(Ranking-CNNとDLDL)の本質的な関係を解析し,ランキング法が実際にラベル分布を暗黙的に学習していることを示す。軽量なネットワークアーキテクチャを提案し、顔属性の分布と回帰属性の値を共同で学習できる統一的なフレームワークを提案する。提案手法は,36$times$パラメータが小さく,3$times$が顔の年齢/魅力度推定における高速な推論速度を持つ単一モデルを用いて,新しい最先端結果を実現する。
論文参考訳（メタデータ） (2020-07-03T15:46:53Z)
Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文参考訳（メタデータ） (2020-02-06T10:56:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。