Asus Smart Gesture что это за программа и нужна ли она?
Всем привет 
Сегодня у нас в гостях прога Asus Smart Gesture, будем ее исследовать чтобы понять, что это за программа, нужна ли она или можно удалить. Постараюсь написать все что смогу и всю инфу что найду и еще свои мысли напишу по этому поводу 
Значит что такое Asus Smart Gesture? Это прога, в которой есть драйвер. И все это для тачпада, то есть сенсорной панели под клавой, ну т есть прога эта исключительно для ноута. С этой прогой тачпад работает более продвинуто, более точно. Ну то есть прога для оптимизации тачпада, с поправкой на то, что прога то асусовская.
Asus Smart Gesture делает так, что тачпад понимает больше жестов, ну там всякие прокрутки пальцами туда-сюда, короче все направлено на то, чтобы без мышки было легче работать
Чтобы было легче понять что к чему, то я думаю вам стоит просто посмотреть на эту картиночку:
Видите сколько там функций? И одним пальцем можно работать и двумя и даже тремя, в общем крутая прога для тех, кто любит работать пальцами.. 
Также можно настраивать кнопки сенсорной панели, ну те, которые идут сразу после тачпада (есть почти на всех ноутах, даже древних):
Также вы можете включить опцию, чтобы этот тачпад отключался тогда, когда вы подключаете мышку:
Я вообще думаю что эту опцию нужно включать сразу. Ну потому что я не понимаю зачем нужен тачпад, если есть мышка… 
Сам Асус советует сперва обновить какой-то драйвер АТК, а потом уже устанавливать Asus Smart Gesture. Но я вам скажу даже больше, может быть такое, что эта прога и так уже у вас установлена была. Ну то есть она сама установилась. Думаете чудеса? Никак нет! Просто винда качает ведь не только драйвера, но и дополнительный софт, чтобы те или иные устройства работали еще лучше, это касается и тачпада
Ну что я тут могу еще сказать. Еще вроде бы эта прога может помочь управлять вашим ноутом при помощи смартфона:
Для этого, как я понял, используется стандарт передачи данных Bluetooth.
А вот альтернативная прога, это уже Elan Smart-Pad, как видите выглядит прога немного поскромнее:
Да и функций там поменьше. Но это просто я показал для примера. Эти проги друг друга никак не могут заменить!
А вот как выглядит тачпад в диспетчере устройств:
В Windows 10 очень легко и быстро можно открыть диспетчер устройств, просто зажмите Win + X и в меню выберите нужный пункт!
А вот на этой картинке мы видим не совсем приятную ситуацию, получается что прога Asus Smart Gesture может немного грузить процессор:
Если у вас тоже она грузит, то искать в интернете решение, это конечно хорошо, НО лучше не забыть также написать и в поддержку Асуса, чтобы они ответили что за дела!
А вот иконка программы в трее:
Ну и осталось только показать как удалить программу Asus Smart Gesture, но сразу скажу, что просто так делать я это не советую. Подумайте хорошо, если вот например вы НИКОГДА не пользуетесь тачпадом (а когда у меня был ноут то я им никогда и не пользовался), то в таком случае реально лучше удалить прогу 
Вообще я вот советую вам познакомиться с удалятором Revo Uninstaller, он и программу удалит и весь мусор, который она оставила, то он тоже будет удален.
Ну а теперь как удалить без всяких там программ. Итак, сперва вам нужно открыть меню Пуск и там выбрать пункт Панель управления:
Если у вас Windows 10, это просто супер, но там этот пункт находится в другом меню, вот чтобы его открыть то зажмите кнопки Win + X!
Потом вам нужно запустить значок Программы и компоненты:
Появится вот такое окно со всеми установленными программами:
Вот тут вам нужно найти программу Asus Smart Gesture, нажать по ней правой кнопкой и выбрать Удалить. Потом просто нажимайте там Далее или Next и следуйте инструкциям, все у вас там получится, сложного ибо ничего нет. Я бы показал как это сделать, но эта прога не захотела у меня установится, ну потому что у меня не асусовский ноут. А так бы я с удовольствием показал
Добавить комментарий Отменить ответ
Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.
Asus Smart Gesture — что это за программа, нужна ли она вообще?!
Доброго времени суток! Друзья, Вы нашли ASUS Smart Gesture на своем ноутбуке и не знаете что это за программа, для чего она нужна, и нужна ли она вообще?! Позвольте мне рассказать об этой замечательной утилите от асус. А дальше сами решите пользоваться ей или нет, или удалите и забудете что такая есть!
Asus Smart Gesture — это простая программа, которая служит для упрощения взаимодействия пользователя с ноутбуком, путем использования жестов. При покупке нового ноутбука от асус, с сенсорной панелью, данная утилита является предустановленной. Из опыта могу сказать, что большинство пользователей не догадываются даже о ее возможностях и функционале утилиты.
Вы с легкостью сможете настроить жесты на сенсорной панеле для одного, двух и даже трех пальцев. Включите или отключите функции которые посчитаете полезными, настроите защиту от случайных прикосновений, а также направлений мыши. Это по сути небольшая утилита, но с большим функционалом, наверняка завоюет Ваше внимание и уважение.
Позвольте мне рассказать более подробно, а дальше решать вам, удалить или использовать. Узнаете, как настроить и пользоваться, а если решите удалить, так же расскажу как это сделать.
Для чего нужна утилита Asus Smart Gesture и что она умеет
Прекрасная утилита ASUS Smart Gesture представляет собой смарт-драйвер, для сенсорных панелей на ноутбуке. Главная фишка утилиты заключается в ее способностях защищать и распознавать случайные, незапланированные прикосновения к тачпаду во время набора на клавиатуре, плюс возможность управление жестами. Программка умеет идентифицировать ладонь и палец. Тем самым превращая сенсорную панель ноутбука асус в умную.
Интерфейс программы очень простой, понятен каждому, и при использовании не должно возникать трудностей. Давайте посмотрим, что можно активировать для использования.
| Один палец | Выбор | Для выбора наведите и нажмите один раз по панели. |
| Активация | Наведите и дважды нажмите. | |
| Перемещение | Нажмите два раза, затем не отжимая палец, перетащите. | |
| Два пальца | Отображение всплывающего меню | Нажать двумя пальцами на файл, чтобы появилось всплывающее меню (аналог правой кнопки мыши на мышке). |
| Прокрутка | Проведите двумя пальцами по горизонтали или вертикали для прокрутки страницы. | |
| Масштаб | Сожмите или разожмите пальцы, удерживая их на панели для уменьшения/увеличения масштаба соответственно. | |
| Поворот | Сделайте поворот двумя пальцами по часовой стрелке (или против). | |
| Три пальца | Переход по страницам | Тремя пальцами проведите слева на право. |
| Отображение запущенного приложения и сделать в нем переход | Тремя пальцами проведите вверх. | |
| Свернуть окна (аналог Win+D) | Тремя пальцами проведите вверх. |
Все это становиться удобным, если привыкнуть и постоянно использовать.
Включить или отключить функции программы
Для использования той или иной возможности программы, ее нужно настроить или отключить не нужное, для этого запустите в трее утилиту.
Теперь давайте разбираться по каждой вкладке, что к чему.
Первая вкладка у нас «Жест». В данной вкладке можно настроить все те функции, которые я описал немного выше. Для отключения просто снимите галочку, для включения соответственно поставить галочку. Или же можете сбросить настройки на первоначальные, нажав на кнопку «Задать все параметры по умолчанию»
Здесь Вы всегда можете настроить функции в соответствии с вашими привычками. Что самое прикольное, при включении/отключении Вам не обязательно гадать для чего та или иная галочка стоит, просто наведите на элемент жеста, и увидите слева демонстрацию этого самого жеста. Я считаю это очень удобно при настройке программы.
Вторая вкладка «Кнопка сенсорной панели», в которой можно произвести настройки переключения кнопок лево / право на ноутбуке. Так же на данной вкладке имеется кнопка для сброса настроек на первоначальные — Задать все параметры по умолчанию».
Третья вкладка «Обнаружение мыши», название говорит само за себя, можно включить или отключить сенсорную панель при подключении мыши к ноутбуку. Для этого достаточно установить соответствующую галочку. «Умный сенсор» отключится автоматически при обнаружении подключенной беспроводной или USB мыши к Вашему ноутбуку.
Как скачать и установить Smart Gesture
Бывают ситуации когда программа перестает работать, и выход из этой ситуации есть, первое что необходимо сделать, это скачать с официального сайта asus smart gesture и переустановить.
Дальше необходимо установить/переустановить драйвер этой самой умной сенсорной панели, для этого нужно скачать драйвер с сайта ASUS.
В идеале в диспетчере устройств, драйвер сенсорной панели должен выглядеть так. Значит все отлично.
Если при установке система начнет писать, что уже установлено ПО более новой или поздней версии, то удаляйте, как удалить читайте ниже, при удалении есть некоторые нюансы.
ASUS Smart Gesture и Windows 10
После перехода на windows 10, многие пользователи столкнулись с неработающим тачпадом. Все дело в том, что windows 10 не совместим с версиями ниже 4.0.5, даже когда пользователи пытались переустановить утилиту, виндовс снова проводил обновление драйвера и все возвращалось на круги своя и сенсорная панель переставала работать. Но эта проблема решаема.
Для начала нужно скачать последнюю версию ASUS Smart Gesture:
Дальше, Вам необходимо скачать и переустановить драйвер АТК:
Скорее всего при установке smart gesture система заругается на уже установленную версию программы, для этого понадобиться удалить через панель управления. Об этом читайте ниже.
Как удалить Smart Gesture с компьютера
Для того чтобы удалить совсем утилиту от асус, допустим она вам не нужна, или она у Вас перестала работать при переходе на виндовс 10. То ее нужно удалить. Давайте я покажу, как удалить ASUS Smart gesture с компьютера и какие могут быть подводные камни при удалении.
Заходим Параметры > Приложения и возможности > ASUS Smart Gesture > Удалить
Если не удается удалить через приложения, сделайте следующее:
Перезагружаете, ноутбук и устанавливаете новую версию smart gesture.
[Перевод] Часы для обнаружения жестов на основе машинного обучения, ESP8266 и Arduino
Мир, безусловно, становится лучше с каждым днем благодаря технологиям, основанным на жестах, потому что они интуитивно понятны, просты в применении и делают взаимодействие с гаджетами и вещами вокруг вас футуристическим и фантастическим! Итак, чтобы быть в тренде, мы возьмём самодельные спортивные часы, погрузимся в Machine Learning и посмотрим, сможем ли мы с его помощью определить, какой жест выполняем, и, возможно, мы сможем использовать это в последующих проектах, например, реализовать отправку e-mail взмахом руки. Далее под катом — настоящее гик-порно с кучей картинок, приготовьтесь.
Вот список покупок, которые помогут вам сделать этот проект с лёгкостью.
Шаг 1. Рассказываю!
Так как я убрал ряд изначально планировавшихся мной функций часов (таких как мониторинг пульса и микро-USB для зарядки), то решил уделить больше времени доведению до ума программной части. Я подумал о том, чтобы добавить в проект немного машинного обучения; это должно быть легко по сравнению с электроникой: я буду иметь дело с простым набором кода – копипастой со StackOverflow. По крайней мере, я так думал.
Но я ошибался: реализовав обнаружение жестов на основе машинного обучения, я просто сошёл с ума. Я ненавидел всё это. Не потому, что это было сложно, просто было очень неприятно собирать данные и обучать модель.
Если вы хотите узнать больше о внедрении машинного обучения во встраиваемую систему, ознакомьтесь с двумя ссылками: TinyML и определение жестов. Первая объясняет, как использовать TensorFlow в TinyML с Arduino, а вторая – как использовать базовые алгоритмы ML на Arduino. Я много раз упоминал последнюю ссылку, потому что материал просто понять, а также это работает с микроконтроллерами с очень небольшим количеством памяти, такими как Arduino NANO и UNO.
Распознавание жестов движений на Android используя Tensorflow
Введение
В сегодняшние дни есть много разных способов взаимодействия со смартфонами: тач-скрин, аппаратные кнопки, сканер отпечатков пальцев, видео камера (например система распознавания лиц), D-PAD, кнопки на гарнитуре, и так далее. Но что насчет использования жестов движений?
Например быстрое перемещение телефона вправо или влево держа его в руке может очень точно отражать намерение перейти на следующую или предыдущую песню в плей-листе. Или же вы можете быстро перевернуть телефон верх ногами и потом назад для обновления контента приложения. Внедрение такого взаимодействия выглядит многообещающим и буквально добавляет новое измерение в UX. Эта статья описывает как реализовать подобное используя машинное обучение и библиотеку Tensorflow для Android.
Описание
Давайте определимся с конечной целью. Хотелось бы чтоб смартфон распознавал быстрые движения влево и вправо.
Также хотелось бы чтоб реализация была в Android библиотеке и ее можно было легко интегрировать в любое другое приложение.
Жесты могут быть записаны на смартфоне используя несколько датчиков: акселерометр, гироскоп, магнитометр, и другие. Позже набор записанных жестов может быть использован в алгоритмах машинного обучения для распознавания.
Для записи данных будет разработано специальное приложение под Android. Препроцессинг и обучение будет производится на ПК в среде Jupyter Notebook используя язык Python и библиотеку TensorFlow. Распознавание жестов будет реализовано в демонстрационном приложении с использованием результатов обучения. В конце, мы разработаем готовую к использования Android библиотеку для распознавания жестов, которая может быть легко интегрирована в другие приложения.
Наш план реализации:
Реализация
Подготовка данных
Для начала давайте определимся какие датчики и какой тип данных могут описать наши жесты. Похоже для точного описания этих жестов должны быть использованы и акселерометр и гироскоп.
Акселерометр очевидно измеряет ускорение и соответственно, перемещение:
Гироскоп, с другой стороны, измеряет вращение:
Попробуем определить, какие значения будут коррелировать с нашими жестами. Очевидно, что в акселерометре (имеется ввиду линейный акселерометр) значения X и Y будут в достаточно большой степени описывать жесты. Значение же Z акселерометра вряд ли будет зависеть от наших жестов.
Что касается датчика гироскопа, кажется, что жесты слегка влияют на ось Z. Однако для упрощения реализации я предлагаю не включать его в расчет. В этом случае наш детектор жестов распознает перемещение телефона не только в руке, но и вдоль горизонтальной линии — например, на столе. Но это не слишком большая проблема.
Таким образом, нам необходимо разработать Android-приложение, которое может записывать данные акселерометра.
Я разработал такое приложение. Вот скриншот записанного жеста «вправо»:
Как вы видите, оси X и Y очень сильно реагируют на жест. Ось Z также реагирует, но, как мы решили, она не будет включена в обработку.
Обратите внимание, что значения X почти противоположны значениям из предыдущего жеста.
Еще одна вещь, которую нужно упомянуть, — это частота дискретизации данных. Она отражает то, как часто данные обновляются и напрямую влияет на объем данных за интервал времени.
Еще одна вещь, которую следует учитывать — это продолжительность жестов. Это значение, как и многие другие, следует выбирать эмпирически. Я установил, что продолжительность жестов длится не более 1 секунды, но, чтобы сделать значение более подходящим для расчетов, я округлил его до 1.28 секунды.
Выбранная частота обновления данных составляет 128 точек на 1.28 секунды, что дает задержку в 10 миллисекунд (1.28 / 128). Это значения должно быть передано в метод registerListener.
Идея состоит в том, чтобы обучить нейронную сеть распознаванию таких сигналов в потоке данных с акселерометра.
Итак, дальше нам нужно записать в файлы много семплов жестов. Конечно, один и тот же тип жестов (вправо или влево) должен быть помечен одним и тем-же же тегом. Трудно сказать заранее, сколько образцов необходимо для обучения сети, но это может быть определено в результате обучения.
Тапнув где либо на графике, вы выделите семпл — т.е. участок графика длиной 128 точек:
Теперь кнопка «сохранить» будет активной. Нажатие по ней автоматически сохранит семпл в файле в рабочем каталоге в файл с именем вида «
Также обратите внимание, что после сохранения текущего семпла, следующий будет выбран автоматически. Следующий жест выбирается с использованием очень простого алгоритма: найти первую запись абсолютное значение X которой больше 3, затем перемотать назад 20 точек.
Такая автоматизация позволяет нам быстро сохранить много семплов. Я записал по 500 семплов на жест. Сохраненные данные должны быть скопированы на ПК для дальнейшей обработки. (Обработка и обучение прямо на телефоне выглядит интересно, но TensorFlow для Android в настоящее время не поддерживает обучение).
На снимке, представленном ранее, диапазон данных составляет примерно ±6. Однако, если вы сильнее махнете телефоном, он может достичь ±10. Данные лучше нормализовать так, чтоб диапазон был ±1, что намного лучше соответствует формату данных нейронной сети. Для этого я просто разделил все данные на константу — в моем случае 9.
Следующим шагом, который нужно выполнить перед началом обучения, это фильтрация данных для устранения высокочастотных колебаний. Такие колебания не имеют отношения к нашим жестам.
Существует много способов фильтрации данных. Один из них — фильтр Скользящее среднее. Вот пример того, как он работает:
Обратите внимание, что максимальные значения X данных теперь составляют половину оригинала. Поскольку мы будем выполнять такую же фильтрацию данных в режиме реального времени во время распознавания, это не должно быть проблемой.
Последним шагом для улучшения обучения является аугментация данных. Этот процесс расширяет исходный набор данных, выполняя некоторые манипуляции. В нашем случае я просто переместил данные влево и вправо на несколько точек:
Проектирование нейронной сети
Проектирование нейронной сети — не простая задача и требует некоторого опыта и интуиции. С другой стороны, нейронные сети хорошо изучены для некоторых типов задач, и вы можете просто приспособить существующую сеть. Наша задача очень похожа на задачу классификации изображений; вход можно рассматривать как изображение с высотой 1 пиксель (и это так и есть — первая операция преобразует входные двумерных данных [128 столбцов x 2 канала] в трехмерные данные [1 строка x 128 колонок x 2 канала]).
Таким образом, вход нейронной сети это массив [128, 2].
Выход нейронной сети представляет собой вектор с длиной, равной числу меток. В нашем случае это 2 числа с плавающим типом данных двойной точности.
Ниже приведена схема нейронной сети:
И подробная схема, полученная в TensorBoard:
Эта схема содержит некоторые вспомогательные узлы, необходимые только для обучения. Позже я покажу чистую, оптимизированную картину.
Обучение
Обучение будет проводиться на ПК в среде Jupyter Notebook с использованием Python и библиотеки TensorFlow. Notebook можно запустить в среде Conda, используя следующий файл конфигурации. Вот некоторые гипер-параметры обучения:
Набор данных разделен на обучающие и проверочные в соотношении 7 к 3.
Качество обучения можно контролировать с помощью значений точности обучения и тестирования. Точность обучения должна приближаться, но не достигать 1. Слишком низкое значение будет указывать на плохое и неточное распознавание, а слишком высокое значение приведет к переобучению модели и может привести к некоторым артефактам во время распознавания, например, распознавание с ненулевым значением для данных без жестов. Хорошая точность тестирования является доказательством того, что обученная модель может распознавать данные которых раньше никогда не видела.
Граф TensorFlow и связанные с ним данные можно сохранить в файлы, используя следующие методы:
Полный код можно найти здесь.
Экспорт нейронной сети
Как сохранить данные TensorFlow было показано в предыдущем разделе. Граф сохраняется в файле session.pb, а данные обучения (веса и т.д.) сохраняются в нескольких файлах «session.ckpt». Эти файлы могут быть достаточно большими:
Граф и данные обучения можно заморозить и преобразовать в один файл, подходящий для работы на мобильном устройстве.
Чтобы заморозить его, скопируйте файл tensorflow/python/tools/freeze_graph.py в каталог скрипта и выполните следующую команду:
где output_graph выходной файл, а output_node_names — имя выходного узла. Это значение указывается в коде Python.
Полученный файл меньше предыдущих, но все еще достаточно большой:
Вот как выглядит эта модель в TensorBoard:
Чтобы получить такое изображение, скопируйте файл tensorflow/python/tools/import_pb_to_tensorboard.py в каталог скрипта и запустите:
где frozen.pb — файл модели.
Теперь запустите TensorBoard:
Существует несколько способов оптимизации модели для мобильной среды. Чтобы запустить описанные далее команды, вам необходимо скомпилировать TensorFlow из исходников:
1. Удаление неиспользуемых узлов и общая оптимизация. Выполните:
2. Квантование (конвертирование формата данных с плавающей запятой в 8-битный целочисленный формат). Выполните:
В результате выходной файл имеет размер 287129 байт по сравнению с исходным 3,5 МБ. Этот файл можно использовать в TensorFlw для Android.
Демонстрационное приложение для Android
Чтобы выполнить распознавание сигналов в приложении Android, необходимо подключить библиотеку TensorFlow для Android в проект. Добавьте библиотеку к зависимостям gradle:
Теперь вы можете получить доступ к API TensorFlow через класс TensorFlowInferenceInterface. Сначала поместите файл «frozen_optimized_quant.pb» в каталог «assets» вашего приложения (т.е. «app/src/main/assets») и загрузите его в коде (например, при запуске Activity, однако, как обычно, лучше производить любые операции ввода/вывода в фоновом потоке):
Обратите внимание, как указан файл модели.
Наконец, можно выполнить распознавание:
На выходе мы имеем два числа с плавающей запятой в диапазоне 0. 1, значения которых — это соответствие входных данных жестам «влево» или «вправо». Обратите внимание, что сумма этих значений равна 1. Таким образом, например, если входной сигнал не совпадает ни с левым, ни с правым жестом, то выход будет близок к [0,5, 0,5]. Для упрощения лучше преобразовать эти значения в абсолютные значения 0. 1, используя простую математику.
Кроме того, не забываем выполнить фильтрацию и нормализацию данных перед запуском распознавания.
Вот скриншот окна тестирования демонстрационного приложения:
где красные и зеленые линии представляют собой предварительно обработанный сигнал в режиме реального времени. Желтые и голубые линии относятся к «исправленным» «правым» и «левым» жестам соответственно. «Время» — это время обработки одного семпла, и оно довольно низкое, что позволяет выполнять распознавание в реальном времени (два миллисекунды означают, что обработка может выполняться со скоростью 500 Гц, мы же настроили акселерометр на обновление со скоростью 100 Гц).
Как вы можете видеть, есть некоторые нюансы. Во-первых, существуют некоторые ненулевые значения распознавания даже для «пустого» сигнала. Во-вторых, каждый жест имеет длительное «истинное» распознавание в центре со значением, близким к 1.0, и небольшим противоположным распознаванием по краям.
Похоже, для выполнения точного фактического распознавания жестов требуется дополнительная обработка.
Библиотека под Android
Я реализовал распознавание с помощью TensorFlow вместе с дополнительной обработкой выходных данных в отдельной библиотеке под Android. Библиотека и демонстрационное приложение находятся здесь.
Чтобы использовать библиотеку в своем приложении, добавьте зависимость на библиотеку в файл gradle:
создайте MotionDetector слушатель:
и включите распознавание:
Заключение
Мы прошли все этапы разработки и внедрения распознавания жестов движения в приложении Android, используя библиотеку TensorFlow: сбор и предварительную обработку данных, разработку и обучение нейронной сети, а также разработку тестового приложения и готовой к использованию библиотеки для Android. Описанный подход может использоваться для любых других задач распознавания или классификации. Полученная библиотека может быть интегрирована в любое другое приложение для Android, чтобы сделать возможным управление ним с помощью жестов движения.
Надеюсь, вы нашли эту статью полезной, вы также можете посмотреть видео обзор ниже.
Если у вас есть идея проекта, но не знаете, с чего начать, мы всегда здесь, чтобы Вам помочь.
