本文开发了一种基于YOLOv5-small的高效手势检测与分类模型，能够实现每秒60帧的快速响应和高检测速度。同时，研究提出了结合双通道Doppler雷达和卷积神经网络的手势识别系统，准确率达到98%。通过多模态数据和深度学习，手势识别的准确率显著提高，适用于实时控制和人机交互。

本文提出了一种新框架，将手势检测视为多阶段序列标注问题，结合Transformer编码器和条件随机场进行处理。研究表明，该方法在手势笔划检测上优于现有模型，显著提高了手势单元检测的准确性，并能够捕捉共话手势的微观动态，为更精确的手势分析奠定基础。

该文介绍了一种使用热像数据的手势检测系统，实现了多个手区域的快速处理。作者收集了一个包含10种手势的新热像数据集，并报道了97%的端到端手势识别准确率。