1. Αποθετήριο Παραδοτέων Υποτρόφων Δράσεων ΕΣΠΑ Τριτοβάθμιας Εκπαίδευσης 2017-2023
2. Όλο το Αποθετήριο
3. Ερευνητικές ομάδες

Τύπος:	Πρακτικά συνεδρίου
Τίτλος:	Introducing and benchmarking a one-Shot Learning Gesture Recognition Dataset
Συγγραφέας:	[EL] Κασνέσης, Παναγιώτης[EN] Kasnesis, Panagiotis [EL] Χατζηγεωργίου, Χρήστος[EN] Chatzigeorgiou, Christos [EL] Πατρικάκης, Χαράλαμπος[EN] Patrikakis, Charalampos [EL] Ραγκούση, Μαρία[EN] Rangoussi, Maria
Ημερομηνία:	09/04/2021
Περίληψη:	Deep learning techniques have been widely and successfully applied, over the last five years, to recognize the gestures and activities performed by users wearing electronic devices. However, the collected datasets are built in an old fashioned way, mostly comprised of subjects that perform many times few different gestures/activities. This paper addresses the lack of a wearable gesture recognition dataset for explor- ing one-shot learning techniques. The current dataset consists of 46 ges- tures performed by 35 subjects, wearing a smartwatch equipped with 3 motion sensors and is publicly available. Moreover, 3 one-shot learning classification approaches are benchmarked on the dataset, exploiting two different deep learning classifiers. The results of the benchmark depict the difficulty of the one-shot learning task, exposing new challenges for wearable gesture/activity recognition.
Γλώσσα:	Αγγλικά
Σελίδες:	13
DOI:	10.1007/978-3-030-72802-1_8
ISBN:	9783030728014
Θεματική κατηγορία:	[EL] Τεχνητή νοημοσύνη[EN] Artificial Intelligence [EL] Ηλεκτρική και Ηλεκτρονική Μηχανική[EN] Electrical and Electronic Engineering
Λέξεις-κλειδιά:	deep learning
Κάτοχος πνευματικών δικαιωμάτων:	© ICST Institute for Computer Sciences, Social Informatics and Telecommunications Engineering 2021 Published by Springer Nature Switzerland AG 2021. All Rights Reserved
Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη:	https://link.springer.com/chapter/10.1007/978-3-030-72802-1_8
Ηλεκτρονική διεύθυνση περιοδικού:	https://link.springer.com/book/10.1007/978-3-030-72802-1
Τίτλος πηγής δημοσίευσης:	Big Data Technologies and Applications 10th EAI International Conference, BDTA 2020, and 13th EAI International Conference on Wireless Internet, WiCON 2020, Virtual Event, December 11, 2020, Proceedings
Σελίδες τεκμηρίου (στην πηγή):	104–116
Σειρά δημοσίευσης:	Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol 371
Όνομα εκδήλωσης:	BDTA 2020/WiCON 2020
Τοποθεσία εκδήλωσης:	Virtual Conference
Ημ/νία έναρξης εκδήλωσης:	11/12/2020
Ημ/νία λήξης εκδήλωσης:	11/12/2020
Σημειώσεις:	This research is co-financed by Greece and the European Union (European Social Fund- ESF) through the Operational «Programme Human Resources Development, Education and Lifelong Learning 2014-2020» in the context of the project “On applying Deep Learning techniques to insufficient labeled sensor data for gesture recognition” (MIS 5050324)
Εμφανίζεται στις συλλογές:	Ερευνητικές ομάδες