PoseLLM: Enhancing Language-Guided Human Pose Estimation with MLP Alignment
Department of Informatics, Graduate School of Informatics and Engineering, The University of Electro-Communications（信息学院，信息工程研究生院，东京电通大学）
提出首个基于LLM的姿态估计框架PoseLLM，用轻量两层MLP替代线性投影器增强视觉与文本特征融合，在COCO上达77.8 AP且保持强零样本泛化。
2025-07-12 cs.CV
PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention
MBZUAI；AI2 Robotics；The University of Sydney（悉尼大学）；The University of Melbourne（墨尔本大学）
PosA-VLA通过姿态条件化锚点注意力机制提升动作生成的精度和效率，适用于多样化的机器人任务和复杂环境。
2025-12-08 cs.CV cs.RO
Enhancing Domain Generalization in 3D Human Pose Estimation through Controllable Generative Augmentation
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）
本文提出可控人体姿态生成框架，通过系统变化姿态、背景和摄像机视角合成多样化视频数据，增强训练集多样性，提升模型泛化能力，验证了在处理领域差异方面的有效性。
2026-05-12 cs.CV
GateAttentionPose: Enhancing Pose Estimation with Agent Attention and Improved Gated Convolutions
Shenzhen University（深圳大学）
本研究提出GateAttentionPose姿态估计方法，通过引入智能体注意力模块和门增强前馈块优化UniRepLKNet架构，在COCO、MPII数据集上实现了优于现有SOTA方法的性能与效率，可应用于自动驾驶等多场景。
2024-09-12 cs.CV
Social-Pose: Enhancing Trajectory Prediction with Human Body Pose
Visual Intelligence for Transportation (VITA) lab（视觉交通智能实验室）；École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区）
针对自动驾驶中人体轨迹预测未充分利用人体视觉线索的问题，提出基于注意力的Social-pose姿态编码器，可集成到多种预测架构，在多个数据集上提升主流模型性能，并探究了姿态维度、噪声及机器人导航应用相关问题。
2025-07-30 cs.CV
Recoverable Anonymization for Pose Estimation: A Privacy-Enhancing Approach
University of California, Irvine（加州大学欧文分校）；Texas A&M University（德克萨斯农工大学）
本文提出一种可逆匿名化的隐私增强姿态估计系统，通过联合优化隐私增强、恢复与姿态估计模块，在保护敏感信息的同时保持高精度HPE并支持授权恢复。
2024-09-01 cs.CR cs.CV cs.LG
Enhancing Egocentric 3D Pose Estimation with Third Person Views
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学工业机器人与信息技术研究所）
在本文中，我们提出了一种新的方法来增强从单个可穿戴相机捕获的视频计算的人的3D身体姿态估计。其关键思想是利用高级特征在联合嵌入空间中链接第一视图和第三视图。为了学习这种嵌入空间，我们引入了First 2 Third-Pose，这是一个新的配对同步数据集，包含近2,000个从第一视角和第三视角捕捉的人类活动视频。我们明确地考虑空间和运动域的功能，结合使用半暹罗架构训练的自我监督的方式。实验结果表明，我们的数据集学习的联合多视图嵌入空间是有用的，从任意单视图自我中心的视频中提取歧视性特征，而不需要领域自适应，也不需要相机参数的知识。我们在两个无约束数据集上实现了以自我为中心的3D身体姿态估计性能的显着改善，超过了三种有监督的最先进的方法。我们的数据集和代码将可用于研究目的。
2022-06-15 cs.CV
Enhancing annotations for 5D apple pose estimation through 3D Gaussian Splatting (3DGS)
organization= Agricultural Biosystems Engineering, Wageningen University \& Research , addressline= Droevendaalsesteeg 1 , city= Wageningen , postcode= 6708 PB , country= the Netherlands；organization= Agrosystems Research, Wageningen University \& Research , addressline= Droevendaalsesteeg 1 , city= Wageningen , postcode= 6708 PB , country= the Netherlands
通过3D高斯点绘技术，简化苹果姿态估计的标注流程，提升训练数据效率与模型性能。
2025-12-23 cs.CV cs.RO
ASTRA: Enhancing Multi-Subject Generation with Retrieval-Augmented Pose Guidance and Disentangled Position Embedding
Huazhong University of Science and Technology（华中科技大学）
ASTRA通过检索增强的姿势引导和解纠缠位置嵌入，解决多主体生成中身份与姿势结构的分离问题，提升姿态一致性和身份保真度。
2026-04-15 cs.CV
Enhancing Hands in 3D Whole-Body Pose Estimation with Conditional Hands Modulator
本文提出Hand4Whole++框架，结合预训练全身和手部姿态估计器，通过条件手模块提升手部姿态准确性与全身姿态一致性。
2026-03-16 cs.CV
BLAPose: Enhancing 3D Human Pose Estimation with Bone Length Adjustment
National Taiwan University（台湾大学）
针对现有3D人体姿态估计忽略骨长一致性等物理约束的问题，提出BLAPose方法，通过循环神经网络预测骨长、结合合成骨长增强策略与骨长调整微调方案，在Human3.6M数据集上实现性能提升。
2024-10-29 cs.CV
Gate-Shift-Pose: Enhancing Action Recognition in Sports with Skeleton Information
Free University of Bozen-Bolzano（博洛尼亚-博兹纳自由大学）
针对花样滑冰运动员摔倒分类问题，提出融合骨骼姿态与RGB信息的Gate-Shift-Pose网络，验证了两种融合策略的效果，显著提升了识别准确率，凸显多模态与姿态信息的价值。
2025-10-03 cs.CV
Fingerspelling PoseNet: Enhancing Fingerspelling Translation with Pose-Based Transformer Models
George Mason University（乔治梅森大学）
针对美国手语手指拼写翻译任务，提出基于手部姿态估计的 Transformer 编码器-解码器架构，结合预测单词长度的新损失项与两阶段推理重排序方法，在 ChicagoFSWild 和 ChicagoFSWild+ 上实现超 10% 的相对性能提升。
2023-11-20 cs.CV cs.HC
SEAL-pose: Enhancing 3D Human Pose Estimation via a Learned Loss for Structural Consistency
Seoul National University, South Korea；Texas A\&M University, College Station, Texas, USA
SEAL-pose通过学习的损失网络提升3D人体姿态估计的结构一致性，有效减少关节误差并提高姿态合理性，优于传统方法和具有显式约束的模型。
2026-02-23 cs.AI cs.CV
Word-level Deep Sign Language Recognition from Video: A New Large-scale Dataset and Methods Comparison
The Australian National University（澳大利亚国立大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）
基于视觉的手语识别旨在帮助聋人与他人进行交流。然而，大多数现有的手语数据集仅限于少量的单词。由于词汇量有限，从这些数据集学习的模型无法在实践中应用。在本文中，我们介绍了一个新的大规模单词级美国手语（WLASL）视频数据集，包含超过100个签名者执行的2000多个单词。该数据集将向研究界公开提供。据我们所知，它是迄今为止最大的公共ASL数据集，以促进单词级符号识别研究。基于这个新的大规模数据集，我们能够试验几种用于单词级符号识别的深度学习方法，并评估它们在大规模场景中的性能。具体来说，我们实现和比较两种不同的模型，即，(i)整体视觉外观为基础的方法，和（ii）二维人体姿势为基础的方法。这两个模型都是有价值的基线，将有利于社区进行方法基准测试。此外，我们还提出了一种新的基于姿态的时间图卷积网络（Pose-TGCN），它同时对人体姿态轨迹的空间和时间依赖性进行建模，这进一步提高了基于姿态的方法的性能。我们的研究结果表明，基于姿势和基于外观的模型在2,000个单词/注释的前10名准确率上达到了66%的可比性能，证明了我们数据集的有效性和挑战。我们的数据集和基线深度模型可在\url{https://dxli94.github.io/WLASL/}上获得。
2020-01-21 cs.CV cs.HC cs.MM
ForestVO: Enhancing Visual Odometry in Forest Environments through ForestGlue
Imperial College London（帝国理工学院）；University of Oxford（牛津大学）；University of Bristol（布里斯托大学）
本文提出 ForestGlue 与 ForestVO 方法，通过优化特征检测与匹配并引入基于 transformer 的位姿估计，构建了专为森林环境设计的端到端视觉里程计流水线，在大幅降低计算开销的同时显著提升了动态场景下的导航精度与鲁棒性。
2025-04-02 cs.CV cs.RO
Relative Pose Regression with Pose Auto-Encoders: Enhancing Accuracy and Data Efficiency for Retail Applications
Faculty of Engineering Bar Ilan University（巴伊兰大学工程学院）
本文将相机位姿自编码器（PAE）扩展到相对位姿回归（RPR），提出无需额外存储数据的重定位优化方案，在室内基准上提升APR精度，并仅用30%数据即可达到竞争性能，显著降低零售部署的数据采集成本。
2025-08-12 cs.CV eess.IV
Enhancing Rotation-Invariant 3D Learning with Global Pose Awareness and Attention Mechanisms
针对现有3D点云旋转不变学习丢失全局姿态信息、无法区分几何相似但空间不同结构的问题，提出阴影感知姿态特征（SiPF）与旋转不变注意力卷积（RIAttnConv），结合任务自适应阴影定位模块，显著提升旋转不变3D学习性能，尤其在细粒度空间辨别任务中。
2025-11-11 cs.CV
Pose-based Sign Language Recognition using GCN and BERT
Purdue University（普渡大学）
手语识别（SLR）在弥合听力和发声障碍社区与社会其他人之间的沟通差距方面发挥着至关重要的作用。单词级手语识别（WSLR）是理解和解释手语的第一步。然而，从视频中识别标志是一项具有挑战性的任务，因为单词的含义取决于微妙的身体运动，手部配置和其他运动的组合。最近的基于姿态的架构WSLR要么模型的空间和时间的依赖关系之间的姿态在不同的帧同时或只建模的时间信息，而没有充分利用空间信息。我们使用一种新型的基于姿势的方法来解决WSLR问题，该方法分别捕获空间和时间信息并执行后期融合。我们提出的架构明确地捕捉空间的相互作用，在视频中使用图卷积网络（GCN）。使用来自Transformers的双向编码器表示（BERT）来捕获帧之间的时间依赖性。在WLASL（一个标准的单词级手语识别数据集）上的实验结果表明，我们的模型在基于姿势的方法上的表现明显优于最先进的方法，预测准确率提高了5%。
2020-12-01 cs.CV
Enhancing 3D Human Pose Estimation Amidst Severe Occlusion with Dual Transformer Fusion
Information Technology University（信息技术大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
针对单目视频3D人体姿态估计中的严重遮挡问题，提出基于时间插值遮挡引导机制的双Transformer融合算法，通过双中间视图自细化与融合实现端到端估计，在两个基准数据集上性能超越现有最优方法。
2024-10-06 cs.CV cs.LG
HGMamba: Enhancing 3D Human Pose Estimation with a HyperGCN-Mamba Network
Nagaoka University of Technology（长冈技术科学大学）；Information and Management Systems Engineering（信息与管理系统工程学院）
本文提出HGMamba网络，通过Hyper-GCN建模局部关节依赖、Shuffle Mamba捕获全局时空特征，并在两个基准数据集上取得最先进的3D人体姿态估计性能。
2025-04-09 cs.CV
Generating an Image From 1,000 Words: Enhancing Text-to-Image With Structured Captions
BRIA AI（BRIA人工智能）
本文针对短提示导致文本到图像模型可控性不足的问题，提出基于长结构化描述训练开放源代码模型，并设计DimFusion融合机制与TaBR评估协议，最终通过大规模模型FIBO实现了开放源代码模型中最先进的提示对齐性能。
2025-11-10 cs.CV
Enhancing Transparent Object Pose Estimation: A Fusion of GDR-Net and Edge Detection
Automation and Control Institute TU Wien（维也纳技术大学自动化与控制研究所）；University of Applied Sciences Technikum Wien（维也纳技术高等专业学院）
针对透明物体受光照和反射影响导致位姿估计困难的问题，提出在 GDR-Net 与 YOLOX 前融合 Canny 或 HED 边缘预处理，并在 Trans6D-32 K 上验证其对部分物体的性能提升。
2025-02-17 cs.CV
Enhancing Energy Minimization Framework for Scene Text Recognition with Top-Down Cues
IIIT Hyderabad（印度海得拉巴国际信息技术学院）；Inria（法国国家信息与自动化研究所）
识别场景文本是一个具有挑战性的问题，甚至比识别扫描文档更具挑战性。近年来，这个问题得到了计算机视觉界的极大关注，并且已经提出了基于能量最小化框架和深度学习方法的几种方法。在这项工作中，我们专注于能量最小化框架，并提出了一个模型，利用自下而上和自上而下的线索识别裁剪的话从街道图像中提取。自下而上的线索是从图像中的单个字符检测中得出的。我们在这些检测上建立了一个条件随机场模型，以共同模拟检测的强度以及它们之间的相互作用。这些相互作用是从基于词典的先验中获得的自上而下的线索，即，语言统计通过最小化随机场模型对应的能量函数，得到文本图像所表示的最优单词。我们在一些裁剪场景文本基准数据集上广泛评估了我们提出的算法，即街景文本，ICDAR 2003，2011和2013数据集以及IIIT 5 K-word，并显示出比同类方法更好的性能。我们对我们方法中的所有步骤进行严格的分析，并分析结果。我们还表明，国家的最先进的卷积神经网络功能可以集成在我们的框架，以进一步提高识别性能。
2016-01-13 cs.CV
YOLO-Pose: Enhancing YOLO for Multi Person Pose Estimation Using Object Keypoint Similarity Loss
Texas Instruments Inc（德州仪器公司）
我们介绍了YOLO姿态，一种新的热图的联合检测方法，并在流行的YOLO目标检测框架的基础上，在图像中的2D多人姿态估计。现有的基于热图的两阶段方法是次优的，因为它们不是端到端可训练的，并且训练依赖于替代L1损失，这不等同于最大化评估度量，即对象关键点相似性（OKS）。我们的框架允许我们端到端地训练模型并优化OKS指标本身。所提出的模型学习在单个向前传递中联合检测多个人及其相应的2D姿势的边界框，从而实现自上而下和自下而上方法的最佳效果。所提出的方法不需要自下而上方法的后处理来将检测到的关键点分组到骨架中，因为每个限界框具有相关联的姿势，从而导致关键点的固有分组。与自上而下的方法不同，多个向前传递被取消，因为所有人都在单个推理中与他们的姿势一起被定位。YOLO-pose在COCO验证（90.2%AP50）和测试开发集（90.3%AP50）上取得了最新的结果，在没有翻转测试、多尺度测试或任何其他测试时间增加的情况下，在单次向前传递中超越了所有现有的自下而上方法。本文中报告的所有实验和结果都没有任何测试时间增加，这与使用翻转测试和多尺度测试来提高性能的传统方法不同。我们的培训代码将在https://github.com/TexasInstruments/edgeai-yolov5和https://github.com/TexasInstruments/edgeai-yolox上公开提供
2022-04-14 cs.AI cs.CV cs.LG
Quater-GCN: Enhancing 3D Human Pose Estimation with Orientation and Semi-supervised Training
The University of Tokyo（东京大学）
针对传统3D人体姿态估计忽略骨骼方向与旋转的问题，提出有向图卷积网络Quater-GCN，结合骨骼方向回归与半监督训练策略，显著提升了姿态估计性能。
2024-10-11 cs.CV
Enhancing Human Pose Estimation in Ancient Vase Paintings via Perceptually-grounded Style Transfer Learning
Friedrich Alexander University（弗里德里希-亚历山大大学）；University of Bonn（波恩大学）；Philipps University of Marburg（马尔堡菲利普斯大学）
本文提出通过感知锚定的风格迁移学习将自然图像适配为希腊瓶画风格，并结合自建ClassArch数据集微调模型，显著提升跨领域人体姿态估计性能。
2024-02-25 cs.CV
A Novel Visual Word Co-occurrence Model for Person Re-identification
Boston University（波士顿大学）
人员重新识别的目的是通过不同的非重叠摄像机视图在不同的位置保持个人的身份。由于相机视图的不同姿势、照明和配置导致的外观变化，该问题从根本上具有挑战性。为了解决这些困难，我们提出了一种新的视觉词共现模型。我们首先使用码本将图像的每个像素映射到视觉单词，该码本以无监督的方式学习。摄像机视图之间的外观变换是由探测图像和图库图像中的视觉词联合分布的共生矩阵编码的。我们的外观模型自然地解释了相机视图中的姿势，照明和配置变化引起的空间相似性和变化。然后使用这些共现描述符将线性SVM训练为分类器。在VIPeR和CUHK Campus基准数据集上，我们的方法在累积匹配特征（CMC）曲线上达到83.86%和85.49%的rank-15，比最先进的结果高出10.44%和22.27%。
2014-10-24 cs.CV
MotionAGFormer: Enhancing 3D Human Pose Estimation with a Transformer-GCNFormer Network
KITE Research Institute（KITE研究所）；Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
本文提出MotionAGFormer网络，通过结合Transformer与GCNFormer双流并行处理全局与局部关节关系，在3D人体姿态估计任务上以更少参数和更高计算效率达到了最先进的精度。
2023-10-25 cs.CV
DeltaDorsal: Enhancing Hand Pose Estimation with Dorsal Features in Egocentric Views
University of California, Los Angeles（加州大学洛杉矶分校）；Google（谷歌）
DeltaDorsal通过背侧特征提升眼控视角下手姿态估计的可靠性，减少遮挡场景下的误差并优化交互方式。
2026-01-26 cs.CV cs.HC cs.LG
Enhancing Inertial Hand based HAR through Joint Representation of Language, Pose and Synthetic IMUs
DFKI（德国人工智能研究中心）；RPTU（莱茵兰-普法尔茨州工业大学）；HKUST(GZ)（香港科技大学（广州））
提出多模态对比学习框架Multi$^3$Net，通过联合学习文本、姿态和合成IMU表示，解决HAR标注数据稀缺问题，显著提升可穿戴设备对细微活动的识别性能。
2024-07-27 cs.AI cs.CV
T-Graph: Enhancing Sparse-view Camera Pose Estimation by Pairwise Translation Graph
University of Twente（特温特大学）
本文提出轻量级即插即用模块T-Graph，通过构建成对平移图并引入relative-t和pair-t两种平移表示，增强稀疏视角相机位姿估计，在RelPose++和Forge上使相机中心精度提升1%至6%。
2025-05-02 cs.CV
Enhancing medical vision-language contrastive learning via inter-matching relation modelling
the University of Sydney（悉尼大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）；Shanghai Jiao Tong University（上海交通大学）；Institute of Translational Medicine（转化医学研究院）
本文提出RECLF框架，通过语义关系推理模块和重要性关系推理模块建模局部匹配间关系，增强医学视觉-语言对比学习，在多个下游任务上取得一致提升。
2025-02-07 cs.CV
Beyond Words: Enhancing Desire, Emotion, and Sentiment Recognition with Non-Verbal Cues
本文提出SyDES框架，通过双向细粒度模态对齐和非语言线索利用，提升多模态欲望、情感和情感识别性能，实验显示在MSED基准上取得新的SOTA成果。
2026-03-16 cs.CL cs.CV
GeLoc3r: Enhancing Relative Camera Pose Regression with Geometric Consistency Regularization
School of Electrical, Computer and Energy Engineering（电气、计算机与能源工程学院）；Arizona State University（亚利桑那州立大学）
GeLoc3r通过几何一致性正则化提升相对相机姿态回归精度，实现速度与精度的平衡，优于现有方法。
2026-01-20 cs.AI cs.CV
Semi-supervised Body Parsing and Pose Estimation for Enhancing Infant General Movement Assessment
The Pennsylvania State University（宾夕法尼亚州立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Shenzhen Baoan Women’s and Children’s Hospital, Jinan University（暨南大学深圳宝安妇幼保健院）；Xi’an University of Architecture and Technology（西安建筑科技大学）
对婴儿运动录像进行一般运动评估是早期发现脑瘫的有效方法。在本文中，我们证明了端到端的可训练神经网络的图像序列识别可以应用到GMA实现良好的效果，更重要的是，增强原始视频与婴儿身体解析和姿态估计信息可以显着提高性能。为了解决有效利用部分标记的IMV进行身体解析的问题，我们提出了一个半监督模型，称为SiamParseNet（SPN），它由两个分支组成，一个用于帧内身体部位分割，另一个用于帧间标签传播。在训练期间，通过在使用仅标记帧的输入对与标记帧和未标记帧两者的输入之间交替来联合训练两个分支。我们还研究了训练数据增强，提出了一个因子分解的视频生成对抗网络（FVGAN）合成新的标记帧进行训练。在测试时，我们采用多源推理机制，其中测试帧的最终结果是通过分割分支或通过从附近的关键帧传播获得的。我们进行了广泛的实验，身体解析使用SPN在两个婴儿运动视频数据集，其中SPN加上FVGAN实现了最先进的性能。我们进一步证明，SPN可以很容易地适应婴儿姿势估计任务具有优越的性能。最后，我们探讨了我们的方法在GMA的临床应用。我们收集了一个新的带有GMA注释的临床IMV数据集，我们的实验表明，在前两个数据集上训练的用于身体解析和姿势估计的SPN模型可以很好地推广到新的临床数据集，并且它们的结果可以显着提高基于CRNN的GMA预测性能。
2022-10-14 cs.CV
Enhancing Quality of Pose-varied Face Restoration with Local Weak Feature Sensing and GAN Prior
Tianjin University（天津大学）；Tencent PCG（腾讯平台与内容事业群）
针对现有盲人脸恢复方法对姿态多变的严重退化人脸鲁棒性不足的问题，提出结合非对称编解码器（含可即插即用的MMRB模块）与StyleGAN2先验及自监督训练的恢复网络，在人脸恢复与超分任务上性能优于现有方法。
2023-06-15 cs.CV
BoW3D: Bag of Words for Real-Time Loop Closing in 3D LiDAR SLAM
Chinese Academy of Sciences（中国科学院）；Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences（中国科学院机器人与智能制造创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）
闭环是自主移动系统同时定位与地图构建（SLAM）的一个基本部分。在视觉SLAM领域，词袋（BoW）在循环闭合方面取得了巨大的成功。用于环路搜索的BoW特征也可用于后续的6-DoF环路校正。然而，对于3D LiDAR SLAM，现有的方法可能无法有效地实时的识别环，并且通常不能校正完整的6-DoF环姿态。为了解决这个问题，我们提出了一个新的词袋实时的循环关闭在3D激光雷达SLAM，称为BoW 3D。我们的方法不仅有效地识别重访环路的地方，但也纠正了完整的6自由度环路姿态在实时的。BoW 3D基于3D LiDAR功能LinK 3D构建单词袋，该功能高效，姿态不变，可用于精确的点对点匹配。此外，我们将我们提出的方法嵌入到三维激光雷达里程计系统，以评估闭环性能。我们在公共数据集上测试了我们的方法，并将其与其他最先进的算法进行了比较。BoW 3D在大多数情况下在F1 max和扩展精度分数方面表现出更好的性能。值得注意的是，BoW 3D在配备英特尔酷睿i7@2.2 GHz处理器的笔记本电脑上执行时，平均需要48 ms来识别和纠正KITTI 00（包括4K+ 64射线激光雷达扫描）上的环路。我们在这里发布我们的方法的实现：https://github.com/YungeCui/BoW3D。
2022-11-18 cs.CV
Word level Bangla Sign Language Dataset for Continuous BSL Recognition
本文提出了大规模孟加拉手语数据集 MVBSL-W50，并开发了基于注意力的 Bi-GRU 模型，通过捕捉人体姿态时间动态实现连续手语识别，准确率达 85.64%。
2023-04-09 cs.CV
Beyond Words: AuralLLM and SignMST-C for Sign Language Production and Bidirectional Accessibility
School of Artificial Intelligence and Advanced Computing, Xi’an Jiaotong-Liverpool University（西交利物浦大学人工智能与高级计算学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Monash University（莫纳什大学）
针对手语双向系统缺乏统一数据集、SLP评估忽略姿态准确性等问题，提出首个中文手语统一数据集CNText2Sign和CNSign，及AuralLLM模型与SignMST-C，提升SLP姿态评估与双向无障碍性能。
2025-04-13 cs.CV cs.LG
Enhancing Sports Strategy with Video Analytics and Data Mining: Automated Video-Based Analytics Framework for Tennis Doubles
Department of Information Systems and Analytics（信息系统与分析系）；School of Computing（计算学院）；National University of Singapore（新加坡国立大学）
本文提出面向网球双打的自动化视频分析框架，结合GroundingDINO与YOLO-Pose进行球员定位和姿态估计，并证明基于CNN的迁移学习模型在预测击球类型、站位和阵型上优于姿态方法。
2025-06-24 cs.CV cs.LG
