本文介绍了第三代神经网络 —— 脉冲神经网络（Spiking Neural Networks，SNNs），阐述了它们与传统的深度神经网络（Deep Neural Networks，DNNs）相比的优点和特点，重点讨论了如何将经过训练的 DNNs 转换为 SNNs，并实现了在 Intel Loihi 芯片上实现 SNNs 的实时手势识别等应用。

May, 2020

本文基于一种使用手部骨骼的角度作为特征的 RNN 方法，旨在解决手势识别的问题，并在 ASL 数据集和 SHREC 数据集上测试和证明了该方法的有效性和优越性。

Mar, 2018

我们提出了一种紧凑的脉冲卷积神经网络（SCNN）和脉冲多层感知机（SMLP），用于在黑暗和明亮的环境中使用 9.6 个单光子雪崩二极管（SPAD）阵列来识别十种不同的手势，在我们的手势识别系统中，利用光子强度数据来训练和测试网络，与同样的网络拓扑和训练策略下的卷积神经网络（CNN）进行比较，结果显示 SCNN 在黑暗和环境光污染环境中实现了可比较的准确率（90.8%），并且只有 8 个时间步长的浮点操作。SMLP 还呈现出计算工作量和准确性之间的平衡。

Feb, 2024

本文提供了一种将预先训练的深度神经网络 (DNNs) 转换成脉冲神经网络 (SNNs) 的通用指南，并介绍了一些在神经形态硬件上部署转换后的 SNNs 的技术，可显著改进其延迟，功耗和能耗。实验结果表明，与 Intel Neural Compute Stick 2 相比，使用我们的 SNN 改进技术， Intel 的神经形态处理器 Loihi 在测试的图像分类任务中功耗降低了最多 27 倍，能耗降低了最多 5 倍。

Oct, 2022

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

本研究描述了一种使用现代计算机视觉和机器学习方法的实时美国手语识别系统，该方法使用 Mediapipe 库进行特征提取和卷积神经网络进行手势分类。测试结果显示，该系统能够以 99.95％的准确率检测所有 ASL 字母，表明其在听障人士的通信设备中的潜力。该方法也可以应用于具有类似手势的其他手语，从而提高听力损失者的生活质量。总的来说，本研究证明了使用 Mediapipe 和 CNN 进行实时手语识别的有效性，为计算机视觉和机器学习领域做出了重要贡献。

May, 2023

本研究旨在构建一个神经网络，能够识别 ASL 手语字母图像特别是在实时视频流中的应用。研究结果表明，使用卷积网络和 VGG16 转移学习方法无法在不同背景设置中推广使用。本文采用先前训练好的手部关节检测模型，并将关节的位置输入到全连接的神经网络中，以提高识别效果，并成功地将该方法推广到实时视频流应用中。

May, 2023

本研究提供了一个新的词级孟加拉手语数据集（BdSL40），包含 611 个单词的 40 个视频，以及两种不同的方法：一种是基于 3D 卷积神经网络模型，另一种是基于图神经网络的方法，用于对 BdSL40 数据集进行分类。该研究还揭示了 BdSL、西孟加拉手语和印度手语之间的显著词汇和语义相似性，以及文献中对 BdSL 缺乏词级数据集的情况。我们发布了数据集和源代码以促进进一步的研究。

Jan, 2024

研究美国手语中指拼字字母的视频序列识别问题，并通过收集和注释新的连续指拼视频数据集，比较多种类型的识别器，探索签名者差异问题。基于深度神经网络的特征，我们的半马尔可夫条件随机场模型在签名者依赖和多签名者情景下均取得较高的字母识别准确率。

Sep, 2016

本研究探讨了在签名人不相关的设置下，对手指拼写字母序列进行美国手语识别的问题，并使用深度神经网络进行自适应模型，从而在词标签的情况下实现了最高 82.7% 的字符识别准确率。

Feb, 2016