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

本文通过引入 “无特征” 的图像以区分手势的不同特征，并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术，提高静态手势识别的分类准确率，从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。

May, 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

本文介绍了一个能够生成具有标记边界框和指尖的逼真视频的框架，以帮助设计、训练和基准测试增强现实 /virtual reality 应用程序中的手势识别模型，并展示了我们的框架在生成具有不同背景的视频方面的有效性。

Nov, 2019

本文提出了一种利用基于点云的交叉学习方法（从相机到六十吉赫兹 FMCW 雷达）的长距离（1m-2m）手势识别解决方案，使用动态图卷积神经网络（DGCNN）建模点之间的关系并用双向 LSTM 网络建模时间动态，实验结果表明该模型在五个手势的整体精度达到了 98.4％且具有泛化能力。

Mar, 2022

本研究旨在提出一个强大的触觉手势识别系统，通过对各种手势识别方法进行综合评估，包括传统的特征工程方法和能够实时解释各种手势的当代深度学习技术，以适应手的大小、运动速度、施加压力水平和交互点的变化，我们对各种方法的深入分析为人机交互领域的基于触觉的手势识别做出了重要贡献。

May, 2024

通过使用 2D 视频生成真实雷达数据，我们设计了 G3R 软件管道，用于解决缺乏丰富雷达数据集限制深度学习模型在不同用户姿势、位置和场景下的通用手势识别的问题。通过扩展用户骨架点、模拟雷达信号的多径反射和衰减以及解决生成和真实雷达数据之间点的数量和分布差异的挑战，我们的实验结果表明，G3R 在手势识别方面优于其他状态最先进方法。

Apr, 2024

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

通过使用专有的 UWB 雷达传感器技术，本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程，其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是，我们的最佳模型达到了 96.78% 的准确率。此外，我们还开发了一个用户友好的 GUI 框架，用于评估模型的系统资源使用情况和处理时间，结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步，可以在各个领域中实现实际应用。

Oct, 2023

基于手势识别和动态动作识别的人机协作框架在 UR5e 机器人平台上展示出卓越的性能，提供了高效的工具传递，同时不显著干扰人类意图。

Sep, 2023