本研究旨在探讨单一特征和混合特征对机器学习模型分类能力的影响，通过提取统计描述符和时空属性两类特征来识别含 18 种动态手势的手语，结果表明混合特征的输入比两类单一特征的输入产生更好的分类效果，对于自动手语识别技术的提高对其实现数字化技术的残疾人群体更有益。

Feb, 2022

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

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

使用 HD-sEMG 和深度学习来实现手势识别，通过主观内嵌结构和预知预培训的方法，在数据有限的情况下，相对于特定用户方法，取得了超过 13% 的平均准确率，为新用户减少了大量数据需求，提高了实用性。

Sep, 2023

本研究旨在对 “野外” 单个说话人的单调发言进行语音输入并生成合理的手臂动作，通过训练无标签视频并将我们的模型与基准方法进行量化比较，证明了我们提出的模型在肢体运动与语音之间的交叉模式翻译方面显着优于基准方法，并且我们发布了一个大型的视频数据集以支持研究。

Jun, 2019

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

利用预训练的高性能深度神经网络模型在 HG14 数据集上进行手势识别，通过多个模型的集成学习技术，达到了 98.88% 的准确率，展示了深度集成学习技术在人机交互中的有效性及其在增强现实、虚拟现实和游戏技术等领域的潜在应用。

Sep, 2023

我们提出了一种手势定制的框架，仅需要用户提供极少量的样本即可实现个性化定制。通过大规模数据收集及实验，得出了加速度计和陀螺仪识别模型，与非手势数据相比误报率仅为 0.6 / 小时。此外，我们构建了一个基于少样本学习的框架，在减少性能损失的情况下建立了轻量级模型。最终，我们用 20 名用户进行了实验验证，其结果表明我们的定制框架具有良好的适用性和可用性，为用户提供了更多个性化手势选择的自由。

Mar, 2022

本研究利用深度学习探索了三种不同的方法来识别手势：基于监督学习的方法、自监督学习方法和基于可视化的技术应用于三维运动骨架数据。实验结果表明，监督学习方法能够准确识别手势，而自监督学习方法在模拟环境中提高了识别准确性，Grad-CAM 可视化结果显示了模型对相关骨骼关节的关注。

Jun, 2024

本研究使用 Few-Shot Learning 模型，通过提供一到五个手势示例来识别五到十种不同的动态手势，模型的主干是使用 Long-Short-Term Memory 组成的 Relation Network，使用了 Jester 数据集中提取的手势参考点进行训练，在动态手势的识别方面的准确率为五种手势高达 88.8%，十种手势高达 81.2%，并尝试对 Few-Shot Learning 方法和传统 Deep Learning 方法之间对比，并表现出了大量观察数量的巨大节省潜力。

Dec, 2022