本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

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

HGR-Net 是一个使用两个 CNN 阶段的手势识别模型。第一阶段执行精确的语义分割以确定手部区域，第二阶段在深度表示的融合分类之前识别手势。通过在公共数据集上进行的大量实验，该模型在静态手势的分割和识别方面几乎达到了与最先进性能相当的效果。

Jun, 2018

我们提出了一种新颖、准确和高效的手势识别方法，通过动态神经网络从输入传感器数据的手势所在空间区域中选择特征进行进一步处理，从而使网络能够专注于手势识别所需的重要特征，并且在计算效率上优于其他技术。我们在 LD-ConGR 长距离数据集上展示了我们方法的性能，它在识别准确度和计算效率上优于之前的最先进方法。

Aug, 2023

提出了一个基于设备的实时手势识别系统，利用单个 RGB 相机检测一组预定义的静态手势，该系统包括手骨骼跟踪器和手势分类器，使用 MediaPipe Hands 作为手骨骼跟踪器的基础，在世界度量空间中添加了 3D 关键点的估计，并创建两个不同的手势分类器，一个基于启发式方法，另一个使用神经网络。

Oct, 2021

本文提出了一种新的方法，使用良好特征和迭代光流算法来计算特征向量，并使用多层感知器（MLP）网络进行分类，最终通过优化多层感知器网络的各种参数来提高系统准确性，从而解决了实时识别与跟踪人类动作的问题。

Aug, 2017

本文使用神经结构搜索技术，并结合自适应的网络结构及局部注意力，提出了一种针对手势识别的 RAAR3DNet 方法，该方法有效地提取了手臂区域以及运动信息，并在两个大型 RGB-D 手势数据集上超越了现有技术。

Feb, 2021

研究使用前臂肌电数据来区分八种手势，采用神经网络和随机森林算法对来自十个参与者的数据进行分析。神经网络在 1000 毫秒窗口下达到了 97% 的准确率，而随机森林在 200 毫秒窗口下达到了 85% 的准确率。更大的窗口大小提高了手势分类的准确性，由于时间分辨率的增加。随机森林的处理速度为 92 毫秒，比神经网络的 124 毫秒更快。研究得出结论，使用 1000 毫秒的神经网络为最准确的（97%），使用 200 毫秒的随机森林为最高效的（85%）。未来的研究应该着重增加样本数量，添加更多手势，以及探索不同的特征提取方法和建模算法来提高系统的准确性和效率。

Jan, 2024

该论文介绍了一个自动化标注音乐表演视频中手势的框架，使用 3D 卷积神经网络，通过批处理平衡和空间 - 时间手势表示等方法，成功提高了 12% 的手势识别准确率，对跨多个视频的多个手势 / 类别进行了详细的研究，并探讨了使用音频特征的可能性。

May, 2022