- 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％ - 利用机器学习技术识别前臂肌肉信号中的手势
研究使用前臂肌电数据来区分八种手势，采用神经网络和随机森林算法对来自十个参与者的数据进行分析。神经网络在 1000 毫秒窗口下达到了 97% 的准确率，而随机森林在 200 毫秒窗口下达到了 85% 的准确率。更大的窗口大小提高了手势分类的 - Inter-X: 人际互动分析的可变通性
通过收集准确的身体动作和多样的交互模式以及详细的手势，提出了目前最大、最全面的人际交互数据集 Inter-X，旨在促进多方面的人际交互分析研究。
- 利用 RGB 摄像机进行超长距离人机交互中的手势识别
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。
- 基于黎曼流形的手势解码表面肌电信号拓扑学
通过分析上肢的非侵入性表面肌电图（sEMG）信号，我们展示了一种简单的技术，可以识别不同手势并且解决了信号变异性的问题，并且通过在 Riemann 流形上使用协方差矩阵分析空间模式，成功地模拟了分布在各个肌肉之间的复杂相互作用和评估 sEM - 使用误差增强的肌电手势分类用户训练
设计并测试了一种实时控制的用户界面系统，通过提取腕带配置中八个电极的表面肌电（sEMG）活动。实时将 sEMG 数据传入机器学习算法，用于手势分类。实验结果表明，相对于基线，修改的反馈条件显著提高了准确性和手势分类分离，暗示了通过反馈操作的 - SynthoGestures: 面向驾驶场景的合成动态手势生成新框架
利用虚拟 3D 模型生成合成手势数据集的框架，通过使用 Unreal Engine 合成逼真的手势，提供自定义选项和减少过度拟合风险，改善智能汽车领域的手势识别系统的开发。
- CaptAinGlove：基于电容和惯性融合技术的手套，用于实时边缘手势识别和无人机控制
CaptAinGlove 是一种基于纺织品的低功耗手套解决方案，可识别用于无人机控制的手势。
- 多模态语境下的词汇检索假设
该论文描述了建立台湾语言的第一个多模态语料库 (MultiMoco) 的努力，并通过研究手势和语音恒速器的共现，探讨了词汇检索假说的有效性，结果表明手势在某些情况下确实有助于词汇检索，同时也用于信息强调。
- 有效手势框架捕获用户输入
本研究使用图像处理技术创建了一个看得见的虚拟键盘，可以精确地检测手势，同时具有可持续性和财务可行性，同时提高了外围设备的成本效益，减少了由于外部设备产生的电子废物，并为不能使用传统键盘和鼠标的人提供了较高的可用性。
- 使用预训练视觉特征提取器和约束 CTC 解码的提示语音识别多流神经网络结构
本文提出一种基于预训练手部和唇部跟踪器和基于多流递归神经网络的语音解码器的方法，用于自动识别 Cued Speech（一种视觉交流工具），该工具可通过手势和唇读辅助理解口语。该系统在法国 CSF18 数据集上评估，准确率为 70.88％，表 - CVPR空间时间并行变压器用于手臂动态估计
该研究提出了一种基于 Spatial-Temporal Parallel Arm-Hand Motion Transformer (PAHMT) 的方法，来预测单目视频中的手臂和手的动态，并在不同的挑战性场景下表现出鲁棒性。
- KDD计算机系统的可定制手势控制
本文介绍了 Gestop 框架，该框架通过学习姿势演示来检测手势，并可由最终用户自定义，实现只用 RGB 摄像头与计算机进行实时手势交互，从而弥合在空中手势检测技术上的障碍，提高用户体验。
- ICCV增强现实应用中，合成视频生成用于手势识别的鲁棒性提升
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。
- ICCV手语交流：使用卷积神经网络扩展手势并实现识别
本文提出了一种手势语音组合方法和基于卷积神经网络的手势识别框架，通过学习手势语音组成元素来提高手势数量的可扩展性，并使用 Scaled Hand Gestures Dataset 数据集进行实验分析，成功实现了单个手势语音组成和三个手势语音 - WiGest：一种普及的基于 WiFi 的手势识别系统
WiGest 是一种利用 WiFi 信号强度变化感知用户移动设备周围的空中手势的系统，能够识别不同的信号变化基元，从中构建出不同手势家族，能够映射到可区分的应用程序操作，并成功实现了在干扰人体存在的情况下的高准确性手势识别，为未来的移动设备