ترجمه فارسی مقاله GesturePrint: فعال کردن شناسایی کاربر برای سیستم‌های تشخیص حرکت مبتنی بر mmWave

چکیده

The millimeter-wave (mmWave) radar has been exploited for gesture recognition. However, existing mmWave-based gesture recognition methods cannot identify different users, which is important for ubiquitous gesture interaction in many applications. In this paper, we propose GesturePrint, which is the first to achieve gesture recognition and gesture-based user identification using a commodity mmWave radar sensor. GesturePrint features an effective pipeline that enables the gesture recognition system to identify users at a minor additional cost. By introducing an efficient signal preprocessing stage and a network architecture GesIDNet, which employs an attention-based multilevel feature fusion mechanism, GesturePrint effectively extracts unique gesture features for gesture recognition and personalized motion pattern features for user identification. We implement GesturePrint and collect data from 17 participants performing 15 gestures in a meeting room and an office, respectively. GesturePrint achieves a gesture recognition accuracy (GRA) of 98.87% with a user identification accuracy (UIA) of 99.78% in the meeting room, and 98.22% GRA with 99.26% UIA in the office. Extensive experiments on three public datasets and a new gesture dataset show GesturePrint’s superior performance in enabling effective user identification for gesture recognition systems.

چکیده به فارسی (ترجمه ماشینی)

رادار موج میلی متر (MMWAVE) برای تشخیص ژست مورد سوء استفاده قرار گرفته است.با این حال ، روشهای تشخیص ژست مبتنی بر MMWAVE موجود نمی تواند کاربران مختلف را شناسایی کند ، که برای تعامل ژست همه جا در بسیاری از برنامه ها مهم است.در این مقاله ، ما GesturePrint را پیشنهاد می کنیم ، که اولین کسی است که با استفاده از یک سنسور رادار MMWAVE Commodity ، به شناسایی ژست و شناسایی کاربر مبتنی بر ژست دست پیدا می کند.GesturePrint دارای یک خط لوله مؤثر است که سیستم تشخیص ژست را قادر می سازد تا کاربران را با هزینه اضافی جزئی شناسایی کند.با معرفی یک مرحله پیش پردازش سیگنال کارآمد و یک معماری شبکه Gesidnet ، که از مکانیسم فیوژن ویژگی چند سطحی مبتنی بر توجه استفاده می کند ، ژستورپرین به طور موثری ویژگی های ژست منحصر به فرد را برای تشخیص ژست و ویژگی های الگوی حرکتی شخصی برای شناسایی کاربر استخراج می کند.ما GesturePrint را پیاده سازی می کنیم و داده ها را از 17 شرکت کننده که 15 حرکات را در یک اتاق جلسات و یک دفتر انجام می دهند ، جمع آوری می کنیم.GesturePrint با دقت شناسایی کاربر (UIA) 99.78 ٪ در اتاق جلسه و 98.22 ٪ GRA با 99.26 ٪ UIA در دفتر ، به دقت تشخیص ژست (GRA) 98.87 ٪ دست می یابد.آزمایش های گسترده در سه مجموعه داده عمومی و یک مجموعه داده جدید ژست عملکرد برتر GesturePrint را در فعال کردن شناسایی مؤثر کاربر برای سیستم های تشخیص ژست نشان می دهد.