マルチスケールビデオトランスフォーマーネットワークを用いた手動ジェスチャー認識

提案するマルチスケールビデオトランスフォーマーネットワーク(MVTN)は、手動ジェスチャーの多様な特徴を効率的に抽出し、ジェスチャーの大きさや形状の変化に対処することができる。