- 自主深度自我学习与可视化的自动手势识别
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 - SpGesture：基于 Jaccard 注意力脉冲神经网络的无源域自适应 sEMG 手势识别
通过膜电位作为记忆列表，我们首次将无源领域适应引入脉冲神经网络，以缓解由分布变化引起的准确性降低，并通过新型的脉冲波 Jaccard 注意力提高了脉冲神经网络对表面肌电图特征的表示能力，从而显著提高了系统的准确性。在收集的新的表面肌电图手势 - GestFormer: 动态手势识别的多尺度小波池化变换网络
我们提出了一种新颖的 GestFormer 架构，用于动态手势识别，旨在提供一种资源高效的 Transformer 模型，提高姿势的细节性能和资源效率。
- 数字文档的空气签名和隐私保护签名验证
该论文提出了一种新颖的数字签名方法，使用基于相机的交互系统、单指跟踪将手势识别和多命令执行结合在一起。该方法称为 “空中签名”，旨在开发一种实时检测和跟踪手势和物体的最先进方法。还提出了用于平滑处理和线条绘制的现有手势识别和物体跟踪系统，并 - IJCAI基于可穿戴传感器的潜在嵌入利用，用于运动障碍人士的手势少样本连续学习
本文介绍了一种基于回放的少样本持续学习框架中的潜在嵌入利用（LEE）机制，该框架显著提高了模型对分布不同的数据进行微调的性能。实验评估结果显示，该方法对于六种不同手势，使用一个、三个和五个样本时，平均测试准确率分别为 57.0％，64.6％ - G3R: 从 2D 视频中生成丰富细粒度的毫米波雷达数据以进行通用手势识别
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 - 手势识别中噪声鲁棒性策略再探：基于表面肌电信号分析的短期增强
基于表面肌电图的手势识别，通过短期增强模块 (STEM) 和可学习的降噪机制，实现了对噪音的减少和对各种手势识别任务的泛化。
- 基于多尺度时空自注意力图卷积网络的基于骨架的动作识别
通过使用自注意力图卷积网络 (GCN) 技术，本研究提出了一种混合模型，名为多尺度时空自注意力网络 (MSST-GCN)，以有效提高建模能力，并在多个数据集上取得了最先进的结果。该模型利用自空间注意力模块来理解帧内不同身体部位之间的关系，利 - 面向手术姿势识别的零样本基于提示的视频编码器
利用 Bridge-Prompt 框架，我们对预训练的 vision-text 模型 (CLIP) 进行微调，以在外科手术视频中进行手势识别。实验结果显示基于提示的视频编码器在外科手势识别任务中优于标准编码器，尤其在零样本情况下表现出强大性 - 高效手部网格重建的简单基线
我们提出了一种简单而有效的基准方法，不仅超越了现有技术方法，而且显示出计算效率，从而在多个数据集上实现了 SOTA 结果。
- BdSLW60: 一个词汇级别的孟加拉手语数据集
本文介绍了一种新的方法，基于一个全面的 Bangla 手势词级数据集（BdSLW60），通过在不受约束的自然环境中捕捉手势的动态特性，允许位置和时间上的变化，并允许手势使用者自由更改手势的手的主导性，进而实现手势识别任务。
- 基于事件和深度数据的脉冲卷积神经网络手势识别的高效传感器融合
智能系统在我们日常生活中变得越来越重要，需要新的交互方式。本文提出的脉冲卷积神经网络利用事件和深度数据进行手势识别，通过在嵌入式系统上进行离线训练和评估，并使用开源的神经形态计算框架 LAVA 进行模拟。研究结果表明，在深度信息和模态融合中 - 开放式手势识别
通过设计工程方法，我们提出了一种离线分析方法，用于研究并比较利用大规模数据集进行参数探索和持续学习方法的开放式手势识别模型，以提升腕式装置上的手势识别过程的开发。
- 桌面人机交互的多模态手势识别数据集
手势识别是一种不可或缺的自然高效人机交互技术组成部分，特别是在桌面级应用中，可以显著提升人们的生产力。本研究建立了一个名为 GR4DHCI 的数据集，其独特之处在于其固有的自然性、直观性和多样性，其主要目的是作为开发桌面级便携应用的宝贵资源 - 通过特征激活增强和正交原型学习实现开放式手势识别
该论文提出了基于表面肌电图的开放集手势识别方法，通过特征激活水平和投影不一致性识别已知和未知手势，达到了准确的闭集分类和有效的未知手势拒识。
- 手势识别系统的研究与调查
该论文探讨了手势识别系统在游戏、医疗、家庭电器、工业机器人和虚拟现实等多个领域中的应用，对手势的获取方法、手势在手语中的作用、现有方法进行了比较和综述，并研究了构建手势识别系统时面临的常见挑战。
- 使用组合同态电肌图编码器的快速与表达性手势识别
通过使用依据动作方向和修改因素定义的综合手势，从而快速实现高准确度的表情人机交互，且最小化了新受试者提供校准数据的时间。通过将真实的单一手势特征向量结合生成合成训练数据，我们从未见过的组合手势进行外推，这样的策略构建了一个大而灵活的手势词汇 - 边缘 FMCW 雷达的手势识别
基于 60 GHz FMCW 雷达的轻量级手势识别系统，通过一种瘦身的雷达处理算法提取五个特征，并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行，对内存、计算和功耗有严格要求，达到了 98.4% 的 F1 分数，在 - 个性化车载手势识别技术与飞行时间相机
我们提出了一种模型适应的方法来个性化训练 CNNLSTM 模型，提高识别准确性并减少数据需求，在驾驶环境中改进动态手势识别的效率和准确性，从而增强车内交互的安全性、便利性，以及驾驶员的体验和对系统的信任。通过使用飞行时间相机的硬件增强和数据 - 增强基于肌电信号的手势识别表达能力的多标签分类方法
通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。