Haben Sie jemals versucht, Ihre Hand wie ein Zauberstab zu winken und einen Taschenrechner zu somben? Wir würden uns nicht erwägen, dass Sie wahrscheinlich ein bisschen dumm aussehen würden. Das ist, es sei denn, Sie hatten [Andreis] erstaunlicher Gestengesteuerter Rechner. [Andrei] dachte, es wäre wertvoll, einen Rechner in seinem Forschungslabor zu verwenden, ohne seine Handschuhe auszunehmen zu müssen, und die Ergebnisse sind ziemlich cool.

Seine Hardware besteht aus einem PocketBeagegle, einer OLED- und einer MPU6050-Inertialmesseinheit zum Erfassen seiner Handbewegungen mit einem Beschleunigungssensor und einem Gyroskop. Die Hardware ist ziemlich unkompliziert, so dass der Anziehungskraft dieses Projekts in seiner Macher-Learning-Implementierung liegt.

[Andrei] Ersteßte zunächst ein paar Beispiele-Datensätze, um seinen Algorithmus zu trainieren, indem er die Handgesten für jede Zahl, 0-9 neu erstellt und den resultierenden Beschleunigungsmesser und die Gyroskopausgänge aufzeichnet. Er verarbeitete die Daten zuerst mit einer Wavelet-Transformation. Die Absicht der Transformation war zweifach. Erstens erlaubte ihm die Transformation, die Anzahl der Proben in seinen Datensätzen zu minimieren, während er die Form des Beschleunigungsmessers und der Gyroskopsignale konserviert, die entscheidenden Merkmale in der Macher-Lernklassifizierung. Zweitens konnte er die Anzahl der Merkmale für die Klassifizierung erhöhen, wenn die Wavelet-Transformation sowohl Annäherungen als auch ausführliche Koeffizienten führte, die beide in den Algorithmus eingespeist werden können.

Da er ein kleines Dataset hatte, nutzte er die geschichtete Shuffle-Split-Technik anstelle der Testzug-Split-Methode, die normalerweise für größere Datensätze viel eignet. Der geschichtete Shuffle-Split hat um die gleiche Anzahl von Zug und Testproben für jede Geste sichergestellt. Er war auch sehr bewusst, dass er sein Modell zum Laufen auf einer tragbaren Verarbeitungseinheit wie dem PocketBeagegle optimiert hatte. Er hat einige Zeit damit verbracht, die Parameter seines Algorithmus zu optimieren und sein Modell letztendlich mit der integrierten “Tfliteconverter” -Funktion innerhalb des Tensorgflows in ein Tensorg-Modell umgewandelt.

Endlich, in echter Open-Source-Mode, ist der gesamte Code auf Github verfügbar, fühlen Sie sich also kostenlos, um es selbst zu geben. Taschulatorium Leviosa!