Hand Pose EstimationのSurvey論文。現在大まかに2つの問題1枚の画像（RGB画像）から2Dの座標推定をするImage-based MethodとDepth-based Methodが存在する。また論文で使われたデータセットについてもまとめられている。データセットの規格というものは存在しないが大半は下記の21 joints。

概要(abstの翻訳)

近年のコンピュータビジョンのほとんどすべてのタスクにおける畳み込みニューラルネットワーク（CNN）の成功、および他方で低価格の消費者向け深度カメラの人気は、コンピュータビジョンの分野で話題となっています。本報告では、まずハンドポーズ推定問題について説明し、この問題を解決するための主なアプローチ、特に深度マップまたはRGB画像を使用する際の2つの異なる問題について概説する。それぞれの分野で最も重要な論文を概説し、それぞれの長所と短所を説明します。最後に、このフィールドで最大のデータセットを詳細に説明し、21個のデータセットとそのすべてのプロパティをリストします。私たちの知る限りでは、これはハンドポーズ推定フィールドのすべてのデータセットの中で最も完全なリストです。

論文リンク

結論

本報告ではhand pose estimationの問題点を定義し、この問題を解決するための主な方法について詳細に説明した。またこの分野の最近の手法について確認しました。すべてのデータ駆動型メソッドはそもそも十分なデータを必要とするので、主要なデータセットについて話し合い、この分野のすべてのデータセットをそれらの最も重要な特性と共にリスト化しました。

カラーグローブを使用した完全に制御された状況から、単一のRGB画像を使用した3D hand pose estimationまで、この分野がわずか数年でどう成長してきたかを示しました。ここで説明した論文はこれらのデータセットで良い結果を示していますが、現実世界の問題で満足のいく結果を得ることはできません。最も重要なことに、これらのシステムのほとんどの結果は単純な最近傍ベースラインよりも悪い。

ただし、この分野における大手テクノロジー企業の関心のために、おそらく近い将来には、はるかに大きく、より一般化されたデータセットや単一のRGB画像でも非常によく機能するモデルが登場するでしょう。 AR / VRデバイスを新しいPCとして使用してこのテクノロジに到達しても、ディスプレイ上のオブジェクトやコントロールオブジェクトを指で触っても届かないでしょう。