Türü-Hover-Tokatlamak 96 Bayt: Bir Hareket Mekanik Klavye Algılama

Kişiler ve Bloglar

26 NİSAN 2014, CUMARTESİ

Türü-Hover-Tokatlamak 96 Bayt: Bir Hareket Mekanik Klavye Algılama

Biz yeni bir mekanik klavye sunuyoruz karıştırma Doğal kullanıcının elemanları ile ek klavye centre de durdurma çalışmaları etkileşim Böyle bir dokunuş NJ olarak cips amacımız hızlı, kolay ve düşük çaba jestleri sağlamaktır Kullanıcıların sorunsuz Metin girişi arasında geçiş sağlayan hareket tabanlı jestleri Hans hep klavyede ev pozisyonda kalır sözü jestleri geleneksel masaüstü etkileşimi artırabilirsiniz Örneğin onun hareketlerini kullanarak uygulamalar arasında geçiş Tabii mendil ile klavye ya da navigasyon belgeler üzerinde ve hatta böyle bir bu yarış araba kontrol olarak oyun yakınlaştırmak

için çimdik Sanal direksiyon Bizim ilk katkı bir roman form faktörü klavye hareket kaleci prototip olmuştur hızlı hareket rıza doğrudan klavyenin üstünde ve dar bir bant içinde herhangi bir dış algılama için gerek kalm

adan vurgulu kuvvet algılayıcı dizisi ile onaltı Kızılötesi yakınlık sensörleri kilit kapakları ile serpiştirilmiş olan mekanik klavye Sensör düğümleri yüzey PCB üzerine monte edilir silikon kauçuk zar haline

“Proje web sayfası: http://research.microsoft.com/en-us/projects/typehoverswipe/ Tam Başlık: Bir Hareket Algılama Mekanik Klavye: 96 Bayt Type-Hover-Swipe Yazarl...”

I3D

önemli kapaklar arasında sokulduğu 64 piksel altında oturur sensör verileri çok düşük çözünürlüklü olduğunu ama klavyenin üstünde hareket eden parmaklar ve el diğer bölümleri görsel olarak farkedilebilir Bir roman henüz şema üzerinde yüksek kare hızlarında sensörler götürmek için bize izin verir 300 acıyor Bir başka katkı yeni bir jest tanıma yaklaşımdır Bizim yaklaşım içinde önemli bir fikir hareketi imzaları olması İlk biz ikili hareket geçmişi görüntü birikir ağırlı

klı toplamı ikili ön plan maskeleri performans kayan pencere üzerinden tüm kareleri daha düşük bir ağırlığa almak biz de yoğunluk hareket geçmişi görüntüde formu Bir çalışan görüntü yurtdışında yoğunluk tüm düzeltir kullanılarak dahil edilmiştir çerçeveleri Aynı ağırlık Birlikte ikili hareket geçmişi görüntüde yoğunluğu Her jest için bir hareket imza biz toplanan ve büyük etiket veritabanları örnek jesters ve bizim sistemimiz yeteneğine sahip bu korpus üzerinde Rastgele Orman sınıflandırıcı eğitim Büyük bir kümeye bir zorlu h

areketleri tanıma onu busty burada klavyede gerçekleştirilen bir dizi şakacı insanlarıdır göstermek dinamik ve statik bir yapıya sahip o önemli sapmalar arası konu jest yürütme ile copes yanı sıra jestler idam edildiği hızda farklılıklar gibi Bizim yaklaşım aynı zamanda dar bir bant içinde gerçekleştirilen bir dizi şakacı sınıflandırabilir tam olarak tasarım alanı keşfetmek değil iken klavyenin üzerinde gezdirin tüm olası hareketleri Biz sistem zorlayıcı ve kullanışlı bir zengin etkinleştirebilirsiniz düşünüyorum etkileşimler sıkıca normal masaüstü çalışma ile işaret bütünleştirmektedir hangi Örneğin Belge gezinme ve yakınlaştırma doğru olarak 2d parmak lokalize yerleri daha düşük çözünürlüklü görüntüde geleneksel kiliseler zor Burada gösterildiği gibi, ancak erken sonuçlar kullanmak mümkün olduğunu göstermektedir en yakın komşu veritabanı arama düzeni ham sensör verileri Bir veritabanı bir zemin gerçeği yüksek çözünürlüklü görüntü almak için Bu yer gerçeği verileri için kullanılabilir bir çevrimdışı süreçte kaydedilen görüntüleri parmak uçlarını takip ve biz hareket sunulan bu video tam dokunmatik tabanlı etkileşimi sağlamak klavye ince bir form faktörü mekanik klavye yerleşik şakacı algılamanın yetenekleri izlediğiniz için teşekkürler.

Açıklama

Proje web sayfası: http://research.microsoft.com/en-us/projects/typehoverswipe/ Tam Başlık: Bir Hareket Algılama Mekanik Klavye: 96 Bayt Type-Hover-Swipe Yazarlar: Stuart A Taylor, Cem Keskin, Otmar Hilliges, Shahram Izadi, John Helmes Özet: Biz cihazda yukarıda ve doğrudan hem gerçekleştirilen zengin ve etkileyici hareket jestlerini algılama yeteneğine artar mekanik klavye yeni bir tür sunuyoruz. Bizim donanım düzenli mekanik klavye tuşları arasındaki serpiştirilmiş kızılötesi (IR) yakınlık sensörleri düşük çözünürlüklü matris oluşur. Bu kaba ama yüksek kare hızı hareket verileri ile sonuçlanır. Biz sağlam, dinamik, zamansal hareketlerini desteklemek için, geleneksel olarak sadece statik sınıflandırma için kullanılan bir makine öğrenme algoritması, genişletmek. Biz hareket kullanılması sağlam ve doğrudan Klavyenin üzerindeki hareket hareketleri büyük bir set tanımak için hareket geçmiş görüntüleri ve rasgele orman tabanlı sınıflandırıcı çiftleri kullanan bir teknik imzaların öneriyoruz. Bizim tekniği yarım test / yarı-eğitim çapraz doğrulama izin-tek-konu-out ve% 89.9 olarak% 75.6 ortalama başına kare sınıflandırma doğruluğu ulaşır. Biz detay bizim donanım ve jest tanıma algoritması, bizim cihazla yapılacak tasarlanmış jestleri büyük bir set performans ve doğruluk numaraları sağlamak ve göstermek. Biz nitel kullanıcılardan geribildirim, gelecekteki çalışmaları için sınırlamalar ve alanların tartışılması ile sonuçlandırmak.

Bunu Paylaş: