面向高效标注与学习的3D手部姿态估计：综述
计算机视觉与模式识别
2023-04-27 v3
摘要
在本综述中，我们从高效标注与学习的角度对3D手部姿态估计进行了系统性回顾。由于其在视频理解、AR/VR和机器人等多种应用中的潜在价值，3D手部姿态估计一直是一个重要的研究领域。然而，模型的性能依赖于标注3D手部姿态的质量与数量。在现状下，获取此类标注的3D手部姿态具有挑战性，例如由于3D标注的困难以及遮挡的存在。为揭示该问题，我们回顾了现有标注方法的优缺点，并将其分类为手动、基于合成模型、基于手部传感器以及计算方法。此外，我们考察了在标注数据稀缺时学习3D手部姿态的方法，包括自监督预训练、半监督学习和域适应。基于高效标注与学习的研究，我们进一步讨论了该领域的局限性与可能的未来方向。
引用
@article{arxiv.2206.02257,
title = {Efficient Annotation and Learning for 3D Hand Pose Estimation: A Survey},
author = {Takehiko Ohkawa and Ryosuke Furuta and Yoichi Sato},
journal= {arXiv preprint arXiv:2206.02257},
year = {2023}
}