Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1695
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 |
Αρχεία σε αυτό το τεκμήριο:
Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
---|---|---|---|---|---|---|---|
Introducing and Benchmarking a One-Shot Learning Gesture Recognition Dataset.pdf | 927.67 kB | Adobe PDF | Δημοσιευμένη/του Εκδότη | Δείτε/ανοίξτε |