自动定制手势拒绝阈值选择的Voight-Kampff机器

文献标题

The Voight-Kampf Machine for Automatic Custom Gesture Rejection Threshold Selection

文献信息

• 主题领域: 手势识别系统中拒绝阈值的自动化选择，计算机交互与人机界面设计
• 关键词: 手势识别, 自定义手势, 拒绝阈值选择, 机器学习, 数据生成, 连续高活动数据

研究背景与问题

• 发现的问题或挑战:

  • 在手势自定义的场景下，训练数据通常稀缺，学习紧凑的手势拒绝阈值以区分手势和非手势动作非常困难。
  • 高活动数据下手势被非手势动作交织，选择松散的拒绝阈值会导致高误报率并降低用户体验。
  • 阈值选择受到训练集大小和跨平台手势生产变异的影响，但这些因素目前探索不足。

• 重要性:

  • 手势交互已成为用户界面设计的核心部分，而有效的阈值选择能提高系统性能，减少误报和误检对用户体验的影响。

• 研究动机与相关工作:

  • 当前大多采用最近邻模式匹配的手势识别技术，主要关注手势识别性能而忽略拒绝和误报问题。
  • 现有方法多基于人工调参或数据合成，缺乏自动化的方法来选择适合高活动数据的拒绝阈值。

解决方案

• 方法或解决方案:

  • 提出了“Voight-Kampf Machine (VKM)”框架以选择适切的拒绝阈值。
  • VKM结合合成数据生成技术，包括正样本生成方式（GPSR算法）和新颖的负样本生成方式（Mincer算法）。
  • VKM通过模拟调整阈值，考虑了应用程序的手势生产变异性和训练集大小。

• 创新点:

  • 新的负样本数据生成方法“Mincer”，更贴近手势边界并提供更紧凑的拒绝阈值。
  • 模拟方式调整阈值以处理训练样本数量和手势生产变异性对性能的影响。
  • 在各种设备类型上具有平台无关性，适用于连续高活动数据。

• 实施步骤与关键技术:

  1. 使用GPSR生成正样本得分分布，从而模拟手势类别内部的分数变异性。
  2. 使用Mincer生成负样本得分分布以更好区分非手势动作。
  3. 通过模拟对拒绝阈值进行调整，考虑训练数据的大小和目标应用程序的手势生产变异性。
  4. 通过综合得分分布选择能够最大化精确率和召回率的阈值。

研究成果

• 具体成果:

  • VKM在高活动数据场景下比现有替代方法表现更优，能够自动选择近乎最优的拒绝阈值。
  • 结合Machete分段器和Jackknife识别器，系统达到了较高的识别准确率。
  • 在鼠标、Kinect和Vive等不同输入设备上实验时表现出跨设备的适应性。

• 优势:

  • 与其他拒绝阈值选择方法（如3σ规则和拼接技术）相比，VKM提供了更紧凑的阈值，减少了误报和误检。
  • 自动化方法无需人工调参，适合快速原型设计和用户界面自定义。

• 实验或评估结果:

  • 在用户依赖性测试中，VKM达到≥90%的准确率，性能优于其他方法。
  • 在SHREC 2019手势识别竞赛中的评估表明，VKM辅助的系统在准确率方面优于所有竞争系统。

• 局限性与未来方向:

  • GPSR参数需要针对每种输入设备进行优化，这可能导致在某些设备间缺乏可移植性。
  • 阈值缩放方法依赖先验信息，如手势生产的变异性，这在实际中可能难以获得。
  • 针对设备无关性的进一步研究，以及探索在线分析方法以动态调整阈值。

结论

VKM是一种强大的自动化技术框架，为手势识别中的拒绝阈值选择问题提供了创新性解决方案。它不仅显著提高了手势识别的准确性，还为用户界面自定义提供了强力支持。这种方法在研究或工业领域中都有广泛的应用潜力，可以进一步改进并扩展到更多交互场景中。