Agentes virtuales como herramienta escalable para el reconocimiento diverso y robusto de gestos

Área de la Ciencia:

• Ciencias de la Computación
• Interacción Humano-Computadora
• Inteligencia Artificial

Sus antecedentes:

• El reconocimiento de gestos es vital para la investigación del comportamiento, la HCI y las aplicaciones médicas.
• La escasez y variabilidad de los datos de entrenamiento dificultan la transferibilidad de los algoritmos.
• Los agentes virtuales ofrecen una solución novedosa para la investigación del reconocimiento de gestos.

Objetivo del estudio:

• Proponer y evaluar el uso de agentes virtuales para entrenar algoritmos de reconocimiento de gestos.
• Abordar los desafíos de escasez de datos y personalización en el reconocimiento de gestos.
• Evaluar el impacto de los factores ambientales en el rendimiento del algoritmo.

Principales métodos:

• Desarrolló un agente virtual utilizando datos de captura de movimiento.
• Creó un conjunto de datos solo de agentes virtuales con iluminación y fondos variados.
• Entrenó y probó algoritmos de reconocimiento de gestos en el conjunto de datos generado.
• Evaluó el rendimiento del modelo tanto en datos humanos virtuales como reales.

Principales resultados:

• El mejor modelo alcanzó una precisión del 85,9% en condiciones óptimas.
• La precisión se redujo al 71,6% con desorden de fondo y reducción de la iluminación.
• Los modelos entrenados con agentes virtuales mostraron una precisión del 72 % -95 % en imágenes humanas.

Conclusiones:

• El entrenamiento con agentes virtuales es un método ingenioso, conveniente y eficaz para la personalización de algoritmos.
• Este método aborda la escasez de datos y permite la evaluación sistemática de los factores ambientales.
• El entrenamiento basado en agentes virtuales mejora la adaptabilidad y robustez de los sistemas de reconocimiento de gestos.