我们提出了一种新颖、准确和高效的手势识别方法，通过动态神经网络从输入传感器数据的手势所在空间区域中选择特征进行进一步处理，从而使网络能够专注于手势识别所需的重要特征，并且在计算效率上优于其他技术。我们在 LD-ConGR 长距离数据集上展示了我们方法的性能，它在识别准确度和计算效率上优于之前的最先进方法。

Aug, 2023

本文介绍了一个用于大量静态手势和动态手势分类识别的人机交互框架，利用佩戴式传感器进行数据收集，并采用降维和神经网络等处理技术，最终实现了在实时环境下的高准确率手势识别。

Apr, 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

通过使用简单的 RGB 相机，提出了一种新颖的深度学习框架，以解决人与机器人交互中的超远距离手势识别问题，该框架在复杂的室内和室外环境中指导一个自主四足机器人的表现优于人类识别的性能。

Nov, 2023

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

提出了一种利用机器学习系统通过 tri-axial 加速度数据识别动态手势的方法，该系统能够以最少的预处理分类不同速度的手势，而且在低成本的嵌入式平台（Raspberry Pi Zero）上运行，具备经济可行性。

Sep, 2018

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

虚拟现实在多个领域中得到了证明：从游戏、医学和培训到人机协作界面的开发，它能够帮助设计师在超越真实环境限制的情况下探索应用，并开发创新的解决方案和体验。对于在虚拟领域借助自然而直观的手势实现协同机器人操作，需要创建大量的数据集，以便使工作界面易于学习和灵活添加手势。由于计算或经济限制，这可能具有一定的挑战性，因此将在真实环境中表现良好的深度学习模型调整到虚拟领域可能是解决方案。本文提出了一个系统的框架，通过虚拟数据集的有限大小实现从真实到虚拟的适应，并提供了创建策划数据集的指导方针。最后，虽然手势被视为通信模式，但所提供的指南和建议是通用的，适用于其他模式，如身体姿势和面部表情，这些模式在真实领域中有大量可用的数据集，需要适应到虚拟领域。

Jul, 2023

人机交互与虚拟现实领域中，自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络，以在虚拟现实和人机交互应用中提高手势识别的性能。

Feb, 2024