Unduh VKM - Unduh kode Sumber VKM

VKM

Kode sumber lainnya

Unduh

Mesin Voight-Kampff (VKM)

Mesin Voight-Kampff adalah pendekatan yang secara otomatis memilih ambang penolakan untuk isyarat khusus. Dalam aliran data berkelanjutan dengan aktivitas tinggi (HA), titik awal dan akhir isyarat tidak diketahui, dan pendekatan standar untuk segmentasi berdasarkan wilayah dengan aktivitas rendah menghasilkan tingkat positif palsu yang tinggi. VKM, sebaliknya, memilih ambang penolakan yang ketat untuk meminimalkan jumlah positif palsu dan negatif palsu. Artinya, hanya dengan beberapa sampel pelatihan per kelas, pengguna bisa mendapatkan pengenal isyarat khusus yang akurat bahkan ketika data berkelanjutan memiliki aktivitas tinggi.

Repositori ini berisi referensi implementasi Python VKM dengan dukungan untuk gerakan Kinect seluruh tubuh.

Kumpulan data

Kumpulan data aktivitas tinggi dari empat jenis perangkat (Kinect, Mouse, Vive Position, Vive Quaternion) disertakan dengan publikasi. Kumpulan data akan diunduh secara otomatis dan tidak dikompresi saat pertama kali Anda menjalankan file main.py Anda juga dapat mengunduh kumpulan data secara manual di sini.

Menjalankan kode

Bekerja pada Python 3.9.6 ✅
jendela:

$ git clone https://github.com/ISUE/VKM
$ cd VKMpython
$ python -m venv myenv
$ myenvScriptsactivate
$ pip install numpy
$ python main.py

Linux, Mac (conda adalah cara termudah untuk mendukung M1)

$ git clone https://github.com/ISUE/VKM
$ cd VKM/python
$ conda create -n myenv python=3.9.6 numpy
$ conda activate myenv
$ python main.py

Lebih Detail

Untuk publikasinya, kami mengevaluasi VKM sebagai bagian dari jalur pemrosesan data berkelanjutan, yang kami sebut sebagai The Dollar General (TDG) [4]. TDG terdiri dari teknik pengenalan isyarat perangkat-agnostik, dan komponen utamanya adalah: Parang [2], yang mengusulkan wilayah yang mungkin merupakan isyarat; Jackknife [1], yang mengklasifikasikan wilayah yang diusulkan; VKM [pekerjaan ini], yang menolak masukan yang tidak melewati ambang batas kesamaan. Untuk mempelajari lebih lanjut tentang penelitian ini dan untuk rincian teknis tentang pendekatan ini, silakan merujuk ke yang berikut:

Halaman proyek di situs web ISUE Lab.

[1] Taranta II, EM, Samiei, A., Maghoumi, M., Khaloo, P., Pittman, CR, dan LaViola Jr, J. "Jackknife: Pengenal yang andal dengan sedikit sampel dan banyak modalitas." Prosiding Konferensi CHI 2017 tentang Faktor Manusia dalam Sistem Komputasi. 2017.

[2] Taranta II, EM, Pittman, CR, Maghoumi, M., Maslych, M., Moolenaar, YM, dan Laviola Jr, JJ "Golok: Segmentasi Gerakan Kustom Berkelanjutan yang Mudah, Efisien, dan Tepat." Transaksi ACM pada Interaksi Komputer-Manusia (TOCHI) 28.1 (2021): 1-46.

[3] Eugene M. Taranta II, Mehran Maghoumi, Corey R. Pittman, dan Joseph J. LaViola Jr. "Pendekatan Prototipe Cepat untuk Pembuatan Data Sintetis Untuk Peningkatan Pengenalan Gerakan 2D." Prosiding Simposium Tahunan ke-29 tentang Perangkat Lunak dan Teknologi Antarmuka Pengguna. ACM, 2016.

[4] Taranta II, EM, Maslych, M., Ghamandi, R., dan Joseph J. LaViola, Jr. "Mesin Voight-Kampff untuk Pemilihan Ambang Batas Penolakan Gerakan Kustom Otomatis." Konferensi CHI tentang Faktor Manusia dalam Sistem Komputasi. 2022.

Kutipan

Jika Anda menggunakan VKM atau kumpulan data Aktivitas Tinggi, harap rujuk makalah berikut:

 @inproceedings{taranta2022_VKM,
    author = {Taranta, Eugene Matthew and Maslych, Mykola and Ghamandi, Ryan and LaViola, Joseph},
    title = {The Voight-Kampff Machine for Automatic Custom Gesture Rejection Threshold Selection},
    year = {2022},
    isbn = {9781450391573},
    publisher = {Association for Computing Machinery},
    address = {New York, NY, USA},
    url = {https://doi.org/10.1145/3491102.3502000},
    doi = {10.1145/3491102.3502000},
    booktitle = {CHI Conference on Human Factors in Computing Systems},
    articleno = {556},
    numpages = {15},
    keywords = {rejection, customization, gesture, recognition},
    location = {New Orleans, LA, USA},
    series = {CHI '22}
}

Kontribusi dan Laporan Bug

Kontribusi dipersilakan. Silakan kirimkan kontribusi Anda sebagai permintaan tarik dan kami akan memasukkannya. Selain itu, jika Anda menemukan bug, harap laporkan melalui pelacak masalah.