美國專利局公布了蘋果一項與基于視覺的手勢定制相關的專利申請。?
基于視覺的手勢定制領域正日益受到關注。蘋果指出，隨著訓練數據獲取途徑的增多，以及計算硬件朝著更強大、高效方向發(fā)展，機器學習技術近年來熱度飆升。機器學習借助所執(zhí)行的模型，能夠針對特定應用給出預測，手勢識別便是其中典型應用之一。
手勢識別技術極大地推動了人與機器間的交流，使之變得無縫且直觀。其應用領域極為廣泛，涵蓋虛擬現實、游戲以及智能家居控制等多個方面。?
然而，在支持不同領域的人機交互應用時，手勢的自動識別面臨諸多挑戰(zhàn)。如今，人們不再滿足于僅能識別預定義手勢，而是期望用戶能夠通過自定義方式，定義并個性化屬于自己的手勢。這種自定義手勢具有諸多優(yōu)勢，比如有助于增強用戶對操作的記憶，提升操作效率，同時為有特殊需求的人群提供更廣泛的便利，提升產品的包容性。但要切實有效地實現自定義，不僅需要高效且用戶體驗良好的數據收集程序，還需應對從有限樣本中學習這一難題，也就是所謂的少量學習（FSL）問題。?
少量學習（FSL）是一項極具挑戰(zhàn)性的任務，在此過程中，模型需高效整合先前知識與極少的新信息，避免出現過度擬合現象。為攻克FSL在手勢識別方面的難題，研究人員探索了多種算法，包括遷移學習、微調，以及通過各類技術對少量數據進行增強等策略。不過，當模型最初訓練所基于的源手勢與目標手勢差異顯著，且涉及一組全新類別時，這些策略的適用性往往受限。?
另外，不同類型的數據適用不同的增強方法。舉例來說，適用于圖像的增強技術，可能并不適用于時間序列傳感器數據。生成建模同樣面臨困境，如數據幻覺相關問題，致使其在數據合成方面的可靠性欠佳。相對而言，元學習的部分特性能夠通過提升模型的有效學習能力，來應對FSL的挑戰(zhàn)。?
本主題技術的實施例創(chuàng)新性地引入了基于元學習的手勢定制綜合框架，成功攻克FSL在手勢識別領域的難題。?
與其他僅支持有限類型手勢的技術不同，本主題技術的實施例借助一個或多個成像傳感器（如RGB相機），能夠適配各類手勢，包括靜態(tài)、動態(tài)、單手以及雙手手勢。?
本主題技術僅需用戶進行一次演示（如捕捉一系列幀上的手勢），即可完成定制。該技術融合了圖形變換器、遷移學習以及元學習技術。具體而言，通過利用預先訓練的圖形變換器深度神經網絡，助力小樣本學習，并借助元學習與元增強技術的協同作用，為整個過程提供有力支持。?
該主題技術的實現，顯著提升了給定電子設備向用戶（如該電子設備的使用者）提供基于傳感器的機器學習生成反饋的能力。
