本文介绍了多个手语数据集及其相关研究，包括美国手语和英国手语的数据集，提出了基于姿态的手语识别模型和方法，探讨了手语处理的自动化技术及其在手语识别中的应用，旨在推动手语技术的发展和研究。

本文构建了一个包含5,988个日常生活场景的视频片段的中文连续手语数据集（CE-CSL），旨在解决现有数据集缺乏多样性的问题。同时，提出了一种新的时间-频率网络（TFNet）模型，显著提升了复杂背景下的手语识别性能。

本研究提出了一种基于骨架的手势识别模型，结合路径签名和多种特征描述符，利用注意手的原则和“dyadic method”提取特征。实验结果表明，该方法在手势识别中表现优异，并强调混合特征对识别准确率的提升，推动了手语识别技术的发展。

本文介绍了多个手语数据集及其相关研究，包括美国手语、土耳其手语和孟加拉手语。研究者们开发了基于深度学习的手语识别模型，提高了识别准确率，并提供了新的数据集以促进手语技术的发展。这些研究为手语识别领域提供了重要的基准和方法。