論文の概要: Agile gesture recognition for low-power applications: customisation for generalisation

• arxiv url: http://arxiv.org/abs/2403.15421v1
• Date: Tue, 12 Mar 2024 19:34:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 03:04:05.188179
• Title: Agile gesture recognition for low-power applications: customisation for generalisation
• Title（参考訳）: 低消費電力アプリケーションのためのアジャイルのジェスチャー認識 - 一般化のためのカスタマイズ
• Authors: Ying Liu, Liucheng Guo, Valeri A. Makarovc, Alexander Gorbana, Evgeny Mirkesa, Ivan Y. Tyukin,
• Abstract要約: 自動手ジェスチャー認識は、長い間AIコミュニティの焦点だった。 低消費電力センサデバイスで動作するジェスチャー認識技術への需要が高まっている。 本研究では,適応的およびアジャイル的誤り訂正を用いたパターン認識システムのための新しい手法を提示する。
• 参考スコア（独自算出の注目度）: 41.728933551492275
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated hand gesture recognition has long been a focal point in the AI community. Traditionally, research in this field has predominantly focused on scenarios with access to a continuous flow of hand's images. This focus has been driven by the widespread use of cameras and the abundant availability of image data. However, there is an increasing demand for gesture recognition technologies that operate on low-power sensor devices. This is due to the rising concerns for data leakage and end-user privacy, as well as the limited battery capacity and the computing power in low-cost devices. Moreover, the challenge in data collection for individually designed hardware also hinders the generalisation of a gesture recognition model. In this study, we unveil a novel methodology for pattern recognition systems using adaptive and agile error correction, designed to enhance the performance of legacy gesture recognition models on devices with limited battery capacity and computing power. This system comprises a compact Support Vector Machine as the base model for live gesture recognition. Additionally, it features an adaptive agile error corrector that employs few-shot learning within the feature space induced by high-dimensional kernel mappings. The error corrector can be customised for each user, allowing for dynamic adjustments to the gesture prediction based on their movement patterns while maintaining the agile performance of its base model on a low-cost and low-power micro-controller. This proposed system is distinguished by its compact size, rapid processing speed, and low power consumption, making it ideal for a wide range of embedded systems.
• Abstract（参考訳）: 自動手ジェスチャー認識は、長い間AIコミュニティの焦点だった。 伝統的に、この分野の研究は、主に手動画像の連続的な流れにアクセスするシナリオに焦点を当ててきた。 この焦点は、カメラの広範な使用と、画像データの豊富な利用によって導かれてきた。 しかし、低消費電力センサデバイスで動作するジェスチャー認識技術への需要が高まっている。 これは、データ漏洩とエンドユーザのプライバシに対する懸念の高まりと、低価格デバイスにおけるバッテリー容量の制限とコンピューティングパワーの増大によるものだ。 さらに、個別に設計したハードウェアのデータ収集の課題は、ジェスチャー認識モデルの一般化を妨げている。 本研究では,電池容量と計算能力に制限のあるデバイスにおいて,従来のジェスチャー認識モデルの性能を向上させるために,適応的およびアジャイルな誤り訂正を用いたパターン認識システムを提案する。 本システムは、ライブジェスチャー認識のベースモデルとして、コンパクトなサポートベクトルマシンを備える。 さらに、高次元のカーネルマッピングによって引き起こされる特徴空間内で、数ショットの学習を利用する適応型アジャイルエラー修正器も備えている。 エラー修正器は、ユーザごとにカスタマイズ可能で、動作パターンに基づいてジェスチャー予測を動的に調整し、低コストかつ低消費電力のマイクロコントローラ上でベースモデルのアジャイルパフォーマンスを維持する。 提案方式は, 小型化, 高速処理, 低消費電力化が特徴であり, 幅広い組み込みシステムに最適である。

関連論文リスト

• Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment [6.9604565273682955]
  この研究は、オンデバイスのTinyML駆動コンピューティングとクラウド対応の自動デプロイを組み合わせた新しい組み合わせによって、課題に対処するために設計された、手首のスマートバンドを導入している。 アクティビティクラスを、最小限のキャリブレーションで独自のムーブメントスタイルに調整することができる。 システムはパーソナライズされた設定において、一般化されたモデルよりも精度が37%向上する。
  論文  参考訳（メタデータ） (2024-08-26T13:28:41Z)
• Sparse Binarization for Fast Keyword Spotting [10.964148450512972]
  KWSモデルは、リアルタイムアプリケーション、プライバシ、帯域幅効率のためにエッジデバイスにデプロイすることができる。 本稿では,スパース入力表現に基づく新しいキーワードスポッティングモデルを提案する。 また,本手法は高速かつノイズの多い環境でもより堅牢である。
  論文  参考訳（メタデータ） (2024-06-09T08:03:48Z)
• VICAN: Very Efficient Calibration Algorithm for Large Camera Networks [49.17165360280794]
  ポースグラフ最適化手法を拡張する新しい手法を提案する。 我々は、カメラを含む二部グラフ、オブジェクトの動的進化、各ステップにおけるカメラオブジェクト間の相対変換について考察する。 我々のフレームワークは従来のPGOソルバとの互換性を維持しているが、その有効性はカスタマイズされた最適化方式の恩恵を受けている。
  論文  参考訳（メタデータ） (2024-03-25T17:47:03Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• It's all about you: Personalized in-Vehicle Gesture Recognition with a Time-of-Flight Camera [0.0]
  CNNLSTMモデルのトレーニングをパーソナライズするためのモデル適応手法を提案する。 本手法は運転時の動的手動作認識の分野に寄与する。
  論文  参考訳（メタデータ） (2023-10-02T21:48:19Z)
• 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)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices [58.62801151916888]
  パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。 新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
  論文  参考訳（メタデータ） (2020-01-20T16:17:36Z)
• LE-HGR: A Lightweight and Efficient RGB-based Online Gesture Recognition Network for Embedded AR Devices [8.509059894058947]
  本稿では,低消費電力な組込みデバイス上でのリアルタイムジェスチャー認識を実現するために,軽量で計算効率のよいHGRフレームワークLE-HGRを提案する。 提案手法は高精度でロバスト性があり,様々な複雑な相互作用環境において,高性能な性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2020-01-16T05:23:24Z)

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。