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

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

该论文提出了一种使用雷达进行手势识别的替代方法，该方法利用共振 - 发火神经元来绕过计算复杂且耗时的快速傅里叶变换，直接在时域信号中检测手势，消除了获取距离信息的快速傅里叶变换的需求。在检测之后，采用简单的 Goertzel 算法提取五个关键特征，省去了第二次快速傅里叶变换的需要。然后将这些特征输入循环神经网络，实现了对五种手势的 98.21％的精确分类。所提出的方法相较于传统方法，具有较低的复杂性且表现出竞争力的性能。

May, 2024

智能系统在我们日常生活中变得越来越重要，需要新的交互方式。本文提出的脉冲卷积神经网络利用事件和深度数据进行手势识别，通过在嵌入式系统上进行离线训练和评估，并使用开源的神经形态计算框架 LAVA 进行模拟。研究结果表明，在深度信息和模态融合中，时间编码及不同编码的数据对网络性能和泛化能力有积极效果。

Jan, 2024

提出了一种基于神经网络的新型手势识别架构，只需使用人体骨骼输入数据，即可实现最先进的效果，应用于自动驾驶中具有实时性能和稳定性。

Apr, 2022

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

该研究提出了一种基于 SPD 流形学习的神经网络，用于骨架手势识别，并在两个具有挑战性的数据集上实现最先进的准确性。

Apr, 2019

使用循环神经网络算法，我们开发了基于视频信号和加速度计数据的手势识别技术，并进行了固定点优化，以优化内存大小和降低硬件和软件功耗。

Aug, 2016