Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales

Autores
Ibañez, Rodrigo; Soria, Alvaro; Teyseyre, Alfredo Raúl; Campo, Marcelo
Año de publicación
2014
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El progreso y la innovación tecnológica alcanzados en los últimos años, en particular en el área de entretenimientos y juegos, han promovido la creación de interfaces más naturales e intuitivas. Por ejemplo, dispositivos de interacción natural como Microsoft Kinect permiten explorar una nueva forma de comunicación hombre-máquina mucho más expresiva mediante el reconocimiento de gestos corporales. En este sentido, han surgido diferentes estrategias que permiten el reconocimiento de gestos utilizando técnicas de Machine Learning. Sin embargo, no se ha hecho un estudio comparativo del comportamiento de estas técnicas. Por lo tanto, este trabajo presenta una evaluación de 4 técnicas de Machine Learning con un dataset de 7 gestos diferentes y 80 muestras para cada uno de ellos. Se evaluó la precisión de las distintas técnicas obteniendo resultados cercanos al 100% de los gestos evaluados en algunas de ellas.
Sociedad Argentina de Informática e Investigación Operativa (SADIO)
Materia
Ciencias Informáticas
reconocimiento de gestos
Inteligencia Artificial
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/41722
Acceder
id SEDICI_f639ab986d1bf56dbd68a799f17c35a8
oai_identifier_str oai:sedici.unlp.edu.ar:10915/41722
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporalesIbañez, RodrigoSoria, AlvaroTeyseyre, Alfredo RaúlCampo, MarceloCiencias Informáticasreconocimiento de gestosInteligencia ArtificialEl progreso y la innovación tecnológica alcanzados en los últimos años, en particular en el área de entretenimientos y juegos, han promovido la creación de interfaces más naturales e intuitivas. Por ejemplo, dispositivos de interacción natural como Microsoft Kinect permiten explorar una nueva forma de comunicación hombre-máquina mucho más expresiva mediante el reconocimiento de gestos corporales. En este sentido, han surgido diferentes estrategias que permiten el reconocimiento de gestos utilizando técnicas de Machine Learning. Sin embargo, no se ha hecho un estudio comparativo del comportamiento de estas técnicas. Por lo tanto, este trabajo presenta una evaluación de 4 técnicas de Machine Learning con un dataset de 7 gestos diferentes y 80 muestras para cada uno de ellos. Se evaluó la precisión de las distintas técnicas obteniendo resultados cercanos al 100% de los gestos evaluados en algunas de ellas.Sociedad Argentina de Informática e Investigación Operativa (SADIO)2014-11info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf59-66http://sedici.unlp.edu.ar/handle/10915/41722spainfo:eu-repo/semantics/altIdentifier/url/http://43jaiio.sadio.org.ar/proceedings/ASAI/8.pdfinfo:eu-repo/semantics/altIdentifier/issn/1850-2784info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/3.0/Creative Commons Attribution 3.0 Unported (CC BY 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:01:08Zoai:sedici.unlp.edu.ar:10915/41722Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:01:08.841SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
title Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
spellingShingle Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
Ibañez, Rodrigo
Ciencias Informáticas
reconocimiento de gestos
Inteligencia Artificial
title_short Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
title_full Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
title_fullStr Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
title_full_unstemmed Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
title_sort Evaluación de técnicas de Machine Learning para el reconocimiento de gestos corporales
dc.creator.none.fl_str_mv Ibañez, Rodrigo
Soria, Alvaro
Teyseyre, Alfredo Raúl
Campo, Marcelo
author Ibañez, Rodrigo
author_facet Ibañez, Rodrigo
Soria, Alvaro
Teyseyre, Alfredo Raúl
Campo, Marcelo
author_role author
author2 Soria, Alvaro
Teyseyre, Alfredo Raúl
Campo, Marcelo
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
reconocimiento de gestos
Inteligencia Artificial
topic Ciencias Informáticas
reconocimiento de gestos
Inteligencia Artificial
dc.description.none.fl_txt_mv El progreso y la innovación tecnológica alcanzados en los últimos años, en particular en el área de entretenimientos y juegos, han promovido la creación de interfaces más naturales e intuitivas. Por ejemplo, dispositivos de interacción natural como Microsoft Kinect permiten explorar una nueva forma de comunicación hombre-máquina mucho más expresiva mediante el reconocimiento de gestos corporales. En este sentido, han surgido diferentes estrategias que permiten el reconocimiento de gestos utilizando técnicas de Machine Learning. Sin embargo, no se ha hecho un estudio comparativo del comportamiento de estas técnicas. Por lo tanto, este trabajo presenta una evaluación de 4 técnicas de Machine Learning con un dataset de 7 gestos diferentes y 80 muestras para cada uno de ellos. Se evaluó la precisión de las distintas técnicas obteniendo resultados cercanos al 100% de los gestos evaluados en algunas de ellas.
Sociedad Argentina de Informática e Investigación Operativa (SADIO)
description El progreso y la innovación tecnológica alcanzados en los últimos años, en particular en el área de entretenimientos y juegos, han promovido la creación de interfaces más naturales e intuitivas. Por ejemplo, dispositivos de interacción natural como Microsoft Kinect permiten explorar una nueva forma de comunicación hombre-máquina mucho más expresiva mediante el reconocimiento de gestos corporales. En este sentido, han surgido diferentes estrategias que permiten el reconocimiento de gestos utilizando técnicas de Machine Learning. Sin embargo, no se ha hecho un estudio comparativo del comportamiento de estas técnicas. Por lo tanto, este trabajo presenta una evaluación de 4 técnicas de Machine Learning con un dataset de 7 gestos diferentes y 80 muestras para cada uno de ellos. Se evaluó la precisión de las distintas técnicas obteniendo resultados cercanos al 100% de los gestos evaluados en algunas de ellas.
publishDate 2014
dc.date.none.fl_str_mv 2014-11
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/41722
url http://sedici.unlp.edu.ar/handle/10915/41722
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://43jaiio.sadio.org.ar/proceedings/ASAI/8.pdf
info:eu-repo/semantics/altIdentifier/issn/1850-2784
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/3.0/
Creative Commons Attribution 3.0 Unported (CC BY 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/
Creative Commons Attribution 3.0 Unported (CC BY 3.0)
dc.format.none.fl_str_mv application/pdf
59-66
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615877873369088
score 13.069144

Publicaciones similares