| Abstract: | Radarsko prepoznavanje gest se je uveljavilo kot obetaven pristop za nemotečo interakcijo. Za razliko od sistemov, ki temeljijo na kamerah, lahko radarski senzorji zaznavajo geste skozi neprozorne materiale, kar omogoča neopazno vgradnjo v različne vsakdanje predmete. Vendar še ni jasno, kako učinkovito trenirati modele za robustno prepoznavanje gest skozi raznolike materiale. Da bi to raziskali, smo zbrali podatkovno zbirko 17.520 posnetkov gest, izvedenih skozi 73 vsakdanjih materialov. S primerjavo več strategij vzorčenja materialov in bogatenja podatkov smo ugotovili, da je majhna, skrbno izbrana reprezentativna podmnožica učnih materialov zadostovala za doseganje primerljive uspešnosti kot klasifikator, naučen na celotni podatkovni zbirki materialov. Naši rezultati so pokazali, da so modeli, naučeni na 14 materialih, izbranih s kvotnim vzorčenjem, dosegli točnosti 95,8 % in 91,2 %, kar je primerljivo z učenjem na vseh 73 materialih, kjer sta bili točnosti 96,8 % in 91,6 %, ter bistveno bolje kot učenje brez podatkov o materialih, kjer sta bili točnosti 66,8 % in 65,8 %. Med ovrednotenimi pristopi vzorčenja je kvotno vzorčenje ponudilo tudi najboljše splošno razmerje med uspešnostjo in praktičnostjo. Nasprotno pa so klasifikatorji, naučeni na obogatenih podatkih, dosegli slabše rezultate kot tisti, naučeni na dejanskih podatkih za posamezne materiale. Skupaj te ugotovitve kažejo, da pri testiranem senzorju, naboru gest in zbirki materialov skrbno izbrani podatki, pridobljeni z dejanskimi materiali, ponujajo praktično pot za zmanjšanje zbiranja materialno specifičnih podatkov pri radarskem prepoznavanju gest, hkrati pa ohranjajo zmožnost posploševanja. Koda, modeli in podatki so na voljo v javnem repozitoriju, dodatne podrobnosti pa so podane v dopolnilnih gradivih: https://gitlab.com/hicuplab/seeing-through. |
|---|
