该研究介绍了 Hand-CNN 这个新的卷积神经网络架构，用于在不受限条件下检测手的掩模和预测手的定向。此外，该研究还介绍了一个包含手部在限制松散条件下的图像的大型手部注释数据集。最后，该研究证明了 Hand-CNN 在多个数据集上的优越表现，同时也进行了手部检测的消融研究以证明所提出的上下文注意力机制的有效性。

Apr, 2019

通过利用计算机视觉和深度学习方法，该研究提出了一个名为 FaceTouch 的框架，用于检测复杂城市场景或室内的手脸接触，通过分析人的行为和身体姿势来识别面部接触动作。该框架表现出强大的验证效果，并有潜力在实际应用中得到部署。

Aug, 2023

本文提出了一种从互联网视频中提取手部状态信息的方法，通过收集大规模数据集并建立学习模型，该方法能够推测出手部位置、接触状态以及所接触的物体，支持 3D 网格的建模。

Jun, 2020

本文提出了一种新的方法，通过建模手部与物体之间的互动模式，达到更准确、更真实的物体重建，包括手部接触物体的部分。该方法由两部分组成：显式接触预测和隐式形状重建，并在挑战性数据集上表现出比当前艺术水平更出色的性能。

May, 2023

本文介绍了一种用于检测人与周围物体接触的新数据集 HOT，并使用该数据集训练了一个新的接触检测器，它可以输出 2D 接触热图以及处于接触状态的身体部位标签。该检测器采用了部分注意分支来通过周围身体部分和场景的上下文指导接触估计，并且定量的结果显示，该模型的性能优于基线，并且所有组件都对提高性能有贡献。

Mar, 2023

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

本文提出了一种半监督学习的框架，通过利用视觉和几何一致性约束生成伪标签来实现从单眼图像中学习接触。在使用少量标注数据的情况下，我们的模型能够实现比基于 PointNet 的方法更好的结果。使用接触映射提高了手 - 物体交互的准确性，并可以对领域外的物体进行估计。

Aug, 2022

使用两个连续应用的卷积神经网络（CNN）对手部进行定位并回归三维关节位置，进而实现在复杂环境中移动自视角 RGB-D 相机下的实时、稳健和准确的手部姿态估计。

Apr, 2017

该论文提出了基于深度学习的手部检测方法，在同一时间内对手部进行检测和旋转校准。借助上下文感知建议生成算法以保证召回率，并设计了一个 CNN 来显式处理物体旋转问题，实验证明该方法在人机交互等领域的应用优于现有方法。

Dec, 2016

本文介绍了一种基于卷积神经网络的准确、实时的机器人抓取检测方法，该网络可以在单个阶段内执行分类并查找一个优质的抓取矩形，并使用局部约束机制预测每个对象的多重抓取，比现有方法高 14 个百分点性能更好，尤其是对于可以用不同方式抓取的物体。

Dec, 2014