标语检测数据集:基于人工智能的识别系统的资源

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 手语对于聋人和听力障碍者之间的沟通至关重要.
• 自动手语检测系统可以显著提高可访问性和包容性.

研究的目的:

• 开发和评估用于自动识别手语的深度学习模型.
• 用卷积神经网络 (CNN) 将手势分类为不同的标志.

主要方法:

• 一个数据集由26,000个手语图像组成,每个字母为3000个图像.
• 数据预处理包括大小调整,灰度转换,正常化和增强技术 (旋转,翻转,缩放,亮度调整,高斯噪声).
• 数据集被分为70%的培训,15%的验证和15%的测试集,用于训练CNN模型.

主要成果:

• 美国有线电视新闻网的模型在分类手势方面表现出了很高的准确性.
• 数据增强技术提高了对各种环境条件的模型稳定性.
• 多样化的数据集,包括各种参与者和受控收集方法,增强了模型的概括性.

结论:

• 开发的深度学习模型显示了对现实世界应用的巨大潜力.
• 这项技术可以成为聋人社区有价值的可访问性工具.
• 该系统可以用于教育目的和实时手语识别.