A Transformer-Based Approach for Better Hand Gesture Recognition
Notice bibliographique
Résumé
Hand gesture recognition (HGR) is a vital area of research with widespread applications and employing disruptive technologies such as Artificial Intelligence (AI) and the Internet of Things (IoT). HGR is very important in human-computer interaction (HCI), especially for people with disabilities. Several approaches have been described in the literature, including image-based, radar-based, and haptic-based ones. However, these approaches are difficult to implement in real time as they require high processing time (PT). Inertial sensors (IS) offer a worthy alternative for HGR and require much less PT. Several research papers have been published in this domain. However, models capturing complex temporal patterns using traditional machine learning (ML) algorithms have limitations. In this paper, we propose a transformer-based approach to accurately recognize dynamic gestures. A dataset we collected from accelerometer (ACC) and gyroscope (GYR) sensors was used to evaluate the performance of our approach. Our experimental results achieved an accuracy of 96.77% and outperformed traditional ML algorithms in terms of accuracy using the same dataset: Linear Discriminant Analysis (LDA) with 58.06%, KNearest Neighbor (KNN) with 70.97%, XGBoost (XGB) with 74.19%, Convolutional neural network (CNN) with 74.19%, Random Forest (RF) with 77.42%, and Support vector machine (SVM) with 93.55%. Furthermore, we implemented a real-time HGR system that can achieve a very short response time of less than 300 ms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».