摘要
本文提出了一种自适应加权回归（Adaptive Weighting Regression, AWR）方法，旨在融合基于检测与基于回归方法的优势。通过自适应权重图的引导，手部关节坐标被建模为密集表示中所有像素的离散积分。该可学习的聚合过程同时引入了密集监督与关节级监督，支持端到端训练，并赋予权重图自适应能力，从而提升网络的精度与鲁棒性。为验证AWR方法的有效性与通用性，我们开展了全面的消融实验，涵盖多种实验设置，尤其考察了其在不同类型的密集表示及输入模态下的适用性。在四个公开可用的数据集（包括NYU、ICVL、MSRA以及HANDS 2017）上，所提方法均优于现有的先进方法。