本文研究使用卷积神经网络结构，预测手的三维关节位置，并通过引入关节先验和有效利用上下文来提高方案的预测精确性和可靠性，在多个基准测试中都表现出了远胜于现有技术的高精度和较快的计算时间。

Feb, 2015

使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。

Apr, 2017

本文旨在从哺乳动物图像中推导出基于人工智能的模型，以此来测试年龄估计能力。通过使用网络爬虫来自 DDMS 数据库自动下载缩略图像和对应的年龄指标，提取深度学习特征，使用随机森林回归自动估计年龄。最终成功通过逻辑和线性回归模型的运行，以及推导出免费使用的迷你 - ddsm 数据集来验证这一方法的优越性。

Oct, 2020

年龄估计技术是人脸识别的一部分，通过对游戏中的用户进行身份验证，实现了青少年防沉迷系统的开发和应用。本文提出了一种新的建模思想，使用图卷积网络（GCN）从非规则人脸图像中有效地提取特征，并添加了多头注意力机制以避免冗余特征并捕获图像中的关键区域信息，从而显著提高了年龄估计的准确性并降低了 MAE 误差值，进而提高了人脸识别和身份验证的准确性。

Oct, 2023

本文提出了一种基于图形卷积神经网络的方法，从单个 RGB 图像中估算手的 3D 形状和姿态，并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练，结果表明可以对手的 3D 网格进行准确和合理的重建，并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。

Mar, 2019

本文介绍了一种多标签人脸表观年龄估计的深度学习方法，通过组合多个卷积神经网络模型来降低估计误差。

Jun, 2016

该研究提出了一种综合目标检测和卷积神经网络与注意力的两阶段方法，可以高效准确地预测 RA 患者手脚关节的总体和关节水平的狭窄和侵蚀疾病损害，该方法已在 RA2 Dream Challenge 中排名第四和第八位，并取得了显著结果。

Feb, 2021

该论文提出了一种新方法，利用多视角投影和学习的姿态先验，通过多视角热图来回归手部姿态，最终得出三维手势估计，实验表明该方法在难以应对的数据集上取得了优异表现。

Jun, 2016

本文提出了一种基于区域集成网络技术的 3D 手部姿态估计方法，通过引入数据增强和平滑 L1 损失来提高卷积神经网络的性能并实现手部关节的定位精度，实验结果表明该方法在三个公共数据集上均达到了最佳表现，并在手指尖检测和人体姿态估计上取得了最高精度。

Jul, 2017

本文提出了一种基于深度学习的方法，可以从一对二维 X 射线图像中估计骨头的三维结构，并且相较于八种其他的三维骨重建方法，预测精度更高。同时，该神经网络可以根据 X 射线图像确定骨头的身份，具有 100％的准确性，为鉴定和识别骨头提供了一种基于图像内容的更快速的方式。

Jan, 2020