我想做的是..
数据集：一只手拿着棍子的照片，我知道关节的三维位置，或者每张照片的三维姿势。照片是从同一个位置拍摄的，所以只有手在动。输入：手的图片输出：3D手势这可能吗？如果可能的话，如何做到？由于我是ML的新手，所以我想获得一些好的理解方法。谢谢
这应该是可能的，但这将是一个艰苦的研究项目。
因为这个问题需要如此复杂的输出，所以解决这个问题的机器学习方法需要大量的训练示例，比手工生成的要多。一个好的方法可能是制作一个小程序，可以用随机照明、随机手大小等方式3D渲染姿势x的手的图像。然后将数百万张训练图像输入到具有深度学习的卷积神经网络中，最终输出神经元对姿势进行编码。
使用相同的程序，另一种方法是对姿势进行梯度下降，重复渲染姿势，直到获得最佳匹配。这被称为生成模型。它不涉及神经网络，但可能会很慢。毫无疑问，还有其他方法。
如果你感兴趣，微软一直在解决这个问题，以启用新型的Xbox Kinect游戏：https://www.microsoft.com/en-us/research/project/fully-articulated-hand-tracking/
总而言之，如果你是计算机视觉和机器学习的新手，我建议你先从更简单的挑战开始。