本文介绍了一种用于识别RGB图像中由人类指向手势指示的对象的新流程。该系统结合了对象检测、姿态估计、深度估计和视觉-语言模型来识别非语言交流的目标。实验表明，结合来自单个图像的3D空间信息可以增强目标识别，尤其是在杂乱的场景中，并且图像字幕有助于纠正分类错误。 AI
影响 这项研究可能通过使机器人能够理解指向手势，从而实现更直观的人机交互。
排序理由 这是一篇详细介绍新技术方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2603.15403v2 Announce Type: replace Abstract: This paper presents a comprehensive pipeline for recognizing objects targeted by human pointing gestures using RGB images. As human-robot interaction moves toward more intuitive interfaces, the ability to identify targets of non…