本文提出了一种使用红外热成像技术进行的手势分类、左右手检测、手部关键点定位的深度多任务学习模型，通过在包含 24 个用户数据的自有数据集上进行实验验证，结果表明手势分类、左右手检测、指尖定位的准确率均高于 98％，手腕定位的准确率超过了 91％。

Mar, 2023

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

本研究聚焦于手势识别，通过数据级融合和多流卷积神经网络架构的集成调节器，有效地解决了人手形态中的个体差异问题，将骨骼模式的时空手势信息编码到 RGB 图像中，从而提高了姿势理解的语义并降低了噪声，其在 SHREC2017、DHG1428、FPHA、LMDHG 和 CNR 等基准数据集上实现了实时运行，大幅减少硬件需求和计算复杂性，为资源受限设备的人机交互和环境智能提供了可靠性和创新性。

Jun, 2024

本文基于无监督学习的最新进展，在单目手部形状估计方面进行了改进。通过 HanCo 数据集和先进的背景去除技术，结合已有的对比学习算法，我们获得了更适合手部形状估计任务的表示方法，并相比 ImageNet 预训练方法显示了 4.7% 的网格误差下降和 3.6% 的 F-score 改善。我们公开了我们的基准数据集，以鼓励更进一步的研究。

Jun, 2021

本文提出了一种手势语音组合方法和基于卷积神经网络的手势识别框架，通过学习手势语音组成元素来提高手势数量的可扩展性，并使用 Scaled Hand Gestures Dataset 数据集进行实验分析，成功实现了单个手势语音组成和三个手势语音组成的手势识别任务。

May, 2019

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

本研究提出了基于骨架的手势识别模型，采用重要的特征描述符 - 路径签名，并使用所提出的多种特征来明确表示空间和时间运动特征，并且通过注意手的原则来定义关节对，并使用 “dyadic method” 来提取 T_PS 和 T_S_PS 特征，最后采用多流全连接层和融合技术来进行分类，实验结果证明该方法可以实现骨架模型下手势识别的最佳表现。

Nov, 2018

以手部几何为基础的四指生物特征方法，采用特征选择方法提高鉴别性能，实验使用 Bosphorus 手部数据库的 300 个受试者进行测试，通过排名为基础的本地 FoBa 算法选择的 25 个特征子集，实现了最佳鉴别准确率 98.67% 和等错误率 4.6%。

Dec, 2023

通过使用多模态数据、分层半监督学习框架、基于 Transformer 的网络等方法，该研究提出了一种用于手术姿势分割和手势识别的技术，并在公开可用的 JIGSAWS 数据库上进行了评估，得到了较高的分割和识别准确度。

Jul, 2023

本研究提出了一种能够在 100fps 下具有最先进精度的单目手部形状和姿态估计新方法，它采用的是一种新的基于学习的架构设计，使其能够利用三维或二维标注图像数据以及独立的三维动画等所有可用的手部训练数据。该方法的输出使其更适用于计算机视觉和图形学领域中的应用，并且在数个具有挑战性的基准测试中取得了显著的定量和定性改善。

Mar, 2020