모바일 기기에서의 센서 기반 제스처 인식은 인간-컴퓨터 상호작용에서 핵심적이며, 다양한 응용에 대해 직관적인 사용자 입력을 가능하게 한다. 그러나 현재의 접근 방식은 새로운 제스처가 도입될 때마다 서버 기반 재학습에 의존하는 경우가 많아, 잦은 데이터 전송으로 인해 상당한 에너지 소비와 지연이 발생한다. 이러한 한계를 해결하기 위해, 우리는 제스처 인식을 위한 최초의 온디바이스(기기 내) 연속 학습 프레임워크를 제시한다. 최근접 클래스 평균(Nearest Class Mean, NCM) 분류기와 리플레이(replay) 기반 업데이트 전략을 결합함으로써, 본 방법은 제한된 계산 및 메모리 자원 하에서 새로운 제스처에 연속적으로 적응할 수 있게 한다. 리플레이 버퍼 관리(replay buffer management)를 활용하여 이전에 학습된 인스턴스를 효율적으로 저장하고 다시 참조함으로써, 치명적 망각(catastrophic forgetting)을 완화하고 새로운 제스처가 추가되는 상황에서도 안정적인 성능을 보장한다. Samsung Galaxy S10 디바이스에서의 실험 결과, 본 방법은 완전히 온디바이스로 동작하면서도 99% 이상의 정확도를 달성함을 보여주며, 계산 효율성과 견고한 연속 학습, 높은 인식 정확도 사이의 설득력 있는 시너지를 제공한다. 본 연구는 NCM 분류기와 리플레이 기반 기법을 통합한 온디바이스 연속 학습 프레임워크의 가능성을 보여주며, 자원 제약 환경에서의 적응형 제스처 인식 분야를 진전시키는 데 기여한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.