2型中性马尔科夫链模型用于主体独立的手语识别:一种新的不确定性意识软传感器范式
Muslem Al-Saidi1, Áron Ballagi2, Oday Ali Hassen3
1Doctoral School of Multidisciplinary Engineering Sciences, Széchenyi István University, Egyetem tér 1, 9026 Gyor, Hungary.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种2型中性学隐藏马尔科夫模型 (HMM),通过更好地管理手势不确定性来改善手势语言识别 (SLR). 新型号提高了准确性和稳定性,为听力受损者提供了更好的可访问性.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 信号处理 信号处理
背景情况:
- 标语识别 (SLR) 面临的挑战是由于手势的变化和个人的手势风格.
- 在SLR中现有的不确定性管理技术具有局限性,包括计算复杂性和数据依赖性.
- 有效的不确定性处理对于强大而准确的单反相机系统至关重要.
研究的目的:
- 开发和评估2型中性学隐藏马尔科夫模型 (HMM) 用于手语识别.
- 为了利用2型中微镜集和不确定性脚 (FOU) 在SLR中进行先进的不确定性量化.
- 提高手语识别系统的学科独立性和模型稳定性.
主要方法:
- 使用2型中性感隐藏马尔科夫模型 (HMM) 开发软传感器模型.
- 使用不确定性脚 (FOU) 以间隔表示不确定性,捕捉真相,虚假和不确定性.
- 实验评价比较类型-2 中微型HMM与类型-1 中微型HMM的单反相机精度.
主要成果:
- 类型-2 中性学HMM有效地代表和管理手语手势中复杂的不确定性.
- 该模型展示了增强的主体独立性,并减轻了与模型漂移相关的问题.
- 实验结果显示,与SLR中的类型-1中性质HMM相比,类型-2中性质HMM的平均精度提高了10%.
结论:
- 类型-2 中性学HMM通过有效处理不确定性,在手语识别方面提供了卓越的性能.
- 这种方法有可能用于现实世界的应用,包括辅助设备和教育工具,提高可访问性.
- 拟议的模型在创建更可靠,更准确的手语识别系统方面取得了重大进展.
