Optimizing Hand Region Detection in MediaPipe Holistic Full-Body Pose Estimation to Improve Accuracy and Avoid Downstream Errors

简介

本文探讨了MediaPipe Holistic手部区域兴趣（ROI）预测中的一个关键缺陷，即在处理非理想手部方向时，影响手语识别的准确性。我们提出了一种数据驱动的方法来增强ROI估计，利用一个丰富的特征集，包括额外的手部关键点和z维度。我们的结果展示了更好的估计，与当前方法相比，具有更高的交集比率。我们的代码和优化可在https://github.com/sign-language-processing/mediapipe-hand-crop-fix获得。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

本论文旨在解决MediaPipe Holistic手部ROI预测的关键缺陷，即难以处理非理想的手部方向，从而影响手语识别的准确性。
关键思路

论文提出了一种数据驱动的方法来增强ROI估计，利用丰富的特征集，包括额外的手部关键点和z维度。
其它亮点

实验结果表明，与当前方法相比，本方法具有更好的估计精度，更高的交集比。
相关研究

最近的相关研究包括：“Hand Keypoint Detection in Single Images using Multiview Bootstrapping”和“Real-time Hand Gesture Detection and Classification Using Convolutional Neural Networks”。