本文提出了基于微波收发器和深度学习算法的手势识别系统，使用 5.8GHz 的 Doppler 雷达传感器获取手势信号并使用时频分析处理，通过构建可变形深度卷积生成对抗网络提出了一种新的机器学习体系结构，实验结果表明新的体系结构可以提高 10％的识别率，可变形核可将测试时间成本降低 30％。

Nov, 2017

本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

Jan, 2019

本研究提出了一种用于手势识别的低功耗高准确度的嵌入式算法，使用低功率短距离雷达传感器，结合 2D CNN 和 TCN，模型大小仅有 46,000 个参数，具有仅 92 KB 的内存占用率，具有 86.6%（26 名用户）和 92.4%（单用户）技能的精度，适用于内置于可穿戴设备中。

Jun, 2020

人机交互与虚拟现实领域中，自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络，以在虚拟现实和人机交互应用中提高手势识别的性能。

Feb, 2024

本文通过引入 “无特征” 的图像以区分手势的不同特征，并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术，提高静态手势识别的分类准确率，从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。

May, 2023

使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

Aug, 2016

本文展示了一种使用热像数据的手势检测系统，使用基于背景减法的手掩模生成、k-means 算法手区域识别、手臂区域去除的手势分割以及基于卷积神经网络的手势分类来实现多个手区域的快速处理， 并引入了泡沫生长和泡沫搜索两种新算法， 进行更快的手势分割。我们收集了一个包含 10 种手势的新热像数据集，并报道了 97％的端到端手势识别准确率。

Mar, 2023

基于 60 GHz FMCW 雷达的轻量级手势识别系统，通过一种瘦身的雷达处理算法提取五个特征，并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行，对内存、计算和功耗有严格要求，达到了 98.4% 的 F1 分数，在 Arm Cortex-M4 微控制器上仅需 280 kB 的闪存空间、120 kB 的 RAM 和 75 mW 的功耗。

Oct, 2023

使用卷积神经网络从连续深度图序列中识别手势，主要方法包括使用数量运动进行个别手势分段、构建改进的深度运动图、通过卷积神经网络进行手势识别和在 ChaLearn LAP Challenge 竞赛中取得第三名的表现。

Aug, 2016

该论文提出了一种使用雷达进行手势识别的替代方法，该方法利用共振 - 发火神经元来绕过计算复杂且耗时的快速傅里叶变换，直接在时域信号中检测手势，消除了获取距离信息的快速傅里叶变换的需求。在检测之后，采用简单的 Goertzel 算法提取五个关键特征，省去了第二次快速傅里叶变换的需要。然后将这些特征输入循环神经网络，实现了对五种手势的 98.21％的精确分类。所提出的方法相较于传统方法，具有较低的复杂性且表现出竞争力的性能。

May, 2024