論文の概要: Statistical and Spatio-temporal Hand Gesture Features for Sign Language Recognition using the Leap Motion Sensor

• arxiv url: http://arxiv.org/abs/2202.11005v1
• Date: Tue, 22 Feb 2022 16:16:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 14:22:55.821332
• Title: Statistical and Spatio-temporal Hand Gesture Features for Sign Language Recognition using the Leap Motion Sensor
• Title（参考訳）: Leap Motion Sensor を用いた手話認識のための統計的・時空間的手指ジェスチャー特徴
• Authors: Jordan J. Bird
• Abstract要約: 単一タイプの機能と混合機能は、機械学習モデルの分類能力に影響を与える。 モーションコントローラセンサーを介して記録される18の一般的なジェスチャーは、複雑な分類問題をもたらす。 その結果、最高の統計モデルが240個の特徴を選択し、85.96%の精度、最高の時間モデルが230個の特徴を選択して80.98%、最良の混合機能モデルが各セットから240個の特徴を選択して86.75%の分類精度を得た。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In modern society, people should not be identified based on their disability, rather, it is environments that can disable people with impairments. Improvements to automatic Sign Language Recognition (SLR) will lead to more enabling environments via digital technology. Many state-of-the-art approaches to SLR focus on the classification of static hand gestures, but communication is a temporal activity, which is reflected by many of the dynamic gestures present. Given this, temporal information during the delivery of a gesture is not often considered within SLR. The experiments in this work consider the problem of SL gesture recognition regarding how dynamic gestures change during their delivery, and this study aims to explore how single types of features as well as mixed features affect the classification ability of a machine learning model. 18 common gestures recorded via a Leap Motion Controller sensor provide a complex classification problem. Two sets of features are extracted from a 0.6 second time window, statistical descriptors and spatio-temporal attributes. Features from each set are compared by their ANOVA F-Scores and p-values, arranged into bins grown by 10 features per step to a limit of the 250 highest-ranked features. Results show that the best statistical model selected 240 features and scored 85.96% accuracy, the best spatio-temporal model selected 230 features and scored 80.98%, and the best mixed-feature model selected 240 features from each set leading to a classification accuracy of 86.75%. When all three sets of results are compared (146 individual machine learning models), the overall distribution shows that the minimum results are increased when inputs are any number of mixed features compared to any number of either of the two single sets of features.
• Abstract（参考訳）: 現代社会では、人は障害に基づいて特定されるべきではなく、障害のある人を無効にできる環境である。 自動手話認識(SLR)の改善は、デジタル技術による環境改善につながるだろう。 SLRに対する最先端のアプローチの多くは静的手動作の分類に重点を置いているが、コミュニケーションは時間的活動であり、現在存在する動的ジェスチャーの多くに反映されている。 このため、ジェスチャーの配信時の時間情報はSLRでは考慮されないことが多い。 本研究は,slジェスチャ認識の課題として,配信時の動的ジェスチャの変化を考察し,機械学習モデルの分類能力に単一特徴と混合特徴がどう影響するかを検討することを目的とした。 Leap Motion Controllerセンサーを通じて記録される18の一般的なジェスチャーは、複雑な分類問題をもたらす。 2つの特徴は0.6秒時間ウィンドウ、統計記述子、時空間属性から抽出される。 各セットの特徴は、ANOVA Fスコアとp値で比較され、1ステップあたり10個の特徴で成長し、250個の最高の特徴に制限される。 その結果、最高の統計モデルが240個の特徴を選択し、85.96%の精度、最高の時空間モデルが230個の特徴を選択して80.98%、最高の混合機能モデルが240個の特徴を選択した。 3つの結果集合を比較した場合(146個の機械学習モデル)、全体の分布は、入力が混合特徴数である場合の最小結果が、2つの単一特徴集合のいずれの数よりも増加することを示している。

関連論文リスト

• An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
  ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。 従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。 強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:53:01Z)
• Wearable Sensor-Based Few-Shot Continual Learning on Hand Gestures for Motor-Impaired Individuals via Latent Embedding Exploitation [6.782362178252351]
  本稿では,リプレイベースのFew-Shot連続学習フレームワークにおいて,Latent Embedding Exploitation (LEE) 機構を導入する。 本手法は,ジェスチャー先行知識として知られる保存された潜伏埋め込みを利用して,多様な潜伏特徴空間を生成する。 本手法は、運動障害者がウェアラブルデバイスを活用するのに役立ち、そのユニークな動作スタイルを学習し応用することができる。
  論文  参考訳（メタデータ） (2024-05-14T21:20:27Z)
• High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
  一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。 また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
  論文  参考訳（メタデータ） (2024-04-07T13:17:47Z)
• CLAN: A Contrastive Learning based Novelty Detection Framework for Human Activity Recognition [3.0108863071498035]
  CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。 それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。 4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
  論文  参考訳（メタデータ） (2024-01-17T03:57:36Z)
• Learning Diversified Feature Representations for Facial Expression Recognition in the Wild [97.14064057840089]
  本稿では,CNN層が抽出した顔表情認識アーキテクチャの特徴を多様化する機構を提案する。 AffectNet,FER+,RAF-DBの3つの顔表情認識実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-17T19:25:28Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Physical Action Categorization using Signal Analysis and Machine Learning [2.430361444826172]
  本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。 表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
  論文  参考訳（メタデータ） (2020-08-16T18:43:00Z)
• Pulsars Detection by Machine Learning with Very Few Features [5.598468451834693]
  パルサー検出のための機械学習(ML)手法に基づくスキームの検討は活発なトピックである。 検出性能を向上させるためには,MLモデルへの入力特徴を具体的に検討する必要がある。
  論文  参考訳（メタデータ） (2020-02-20T01:26:42Z)
• Effect of Analysis Window and Feature Selection on Classification of Hand Movements Using EMG Signal [0.20999222360659603]
  近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。 複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。 我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-02T19:03:23Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。