通过基于深度学习的方法，本论文提出并验证了一种能够从用户视角的 RGB 视频流中准确预测按键的增强现实应用。该方法使用户能够在任何平面上执行打字活动，并且不再需要物理或虚拟键盘，相关实验结果证明了这种方法的可行性和潜力，并讨论了将此技术应用到生产系统中所需的限制和未来研究。

Aug, 2023

本文提出了一种基于实时计算机视觉的手势识别应用程序的自然用户界面工具，该工具使用用户手上的虚拟手套标记作为输入，并采用深度学习模型进行实时手势识别。研究表明，该系统可以在社交互动和康复等实时应用中发挥有效作用。

Jul, 2022

本文介绍了 Gestop 框架，该框架通过学习姿势演示来检测手势，并可由最终用户自定义，实现只用 RGB 摄像头与计算机进行实时手势交互，从而弥合在空中手势检测技术上的障碍，提高用户体验。

Oct, 2020

本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

May, 2023

通过分析传感器、行为和语义方面的潜在逻辑，构建了研究框架，以实现普适智能手部交互，并基于该框架总结了以前的研究主题，并说明了未来的研究方向。

Aug, 2023

我们提出了一种用于便携式可穿戴设备的新型轻量级手势识别框架，该框架由一系列最先进的深度学习模型驱动，能以实时性灵敏地识别手势，实现了 80％的分类准确度和仅 0.12 秒的平均延迟。

Apr, 2019

该论文探讨了手势识别系统在游戏、医疗、家庭电器、工业机器人和虚拟现实等多个领域中的应用，对手势的获取方法、手势在手语中的作用、现有方法进行了比较和综述，并研究了构建手势识别系统时面临的常见挑战。

Dec, 2023

本研究旨在开发一种支持印度语言手势输入的键盘，通过创建包含键盘轨迹的数据集来训练模型，并使用路径解码、音译和音译修正等技术对输入的轨迹进行映射以实现高达 70% 到 95% 的准确率。

Mar, 2022

本文提出一种基于非接触手势识别的实时界面控制框架，通过处理原始信号、检测电场干扰并提取有效信号帧的方法实现了 98.8% 检测率和 98.4% 的帧校正率。采用 GRU 模型对于 10 种手势可以实现 98.79% 的准确率，这一技术为电容式感应技术和非接触近程感应技术提供了商业化可能性。

Jan, 2022

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