利用 RF 感应技术识别美国手语
本文介绍了一个基于可穿戴设备的自动手语识别系统的概念验证，该系统通过采集动态手语的数据序列并使用机器学习方法来解释一组美国手语（ASL）动态单词。建立的模型达到了高质量的性能，如随机森林模型准确率达到了 99％，支持向量机（SVM）和两个 K 最近邻（KNN）模型准确率均为 98％，这表明了一个全面系统发展的许多可能路径。
Dec, 2023
开发一种基于人工智能的成本效益高、资源高效和开放的技术，旨在帮助人们学习和使用手语进行交流，以促进社会的包容性。该研究分析了基于人工智能的手语解决方案，特别聚焦美国手语，取得了令人满意的初步结果，并为进一步发展奠定了基础。
Feb, 2024
该研究旨在利用计算机视觉技术和卷积神经网络，开发一种实时、基于印度手语的手语识别系统，以帮助印度的聋人和听力有障碍的人群。经过多次处理和训练，该模型的准确率达到了 99%。
Apr, 2023
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
本研究旨在探讨单一特征和混合特征对机器学习模型分类能力的影响，通过提取统计描述符和时空属性两类特征来识别含 18 种动态手势的手语，结果表明混合特征的输入比两类单一特征的输入产生更好的分类效果，对于自动手语识别技术的提高对其实现数字化技术的残疾人群体更有益。
Feb, 2022
通过将语音学应用于手语产生过程中，训练出的模型预测手势及其语音学特征，从而实现对独立手语识别（ISLR）的模型训练，提高了在 WLASL 基准测试上的手势识别准确性达到了近 9% 的绝对增益，帮助缩小聋听者之间的沟通鸿沟。
Feb, 2023
发布了迄今最大的孤立手语识别数据集 ASL Citizen，该数据集包含 83,912 个视频，由 52 名手语用户在各种环境中拍摄了 2,731 个不同的手势，并提出应将该数据集用于手语字典检索，使用我们数据集训练监督学习分类器在手语字典检索方面极大地提高了性能。
Apr, 2023