在手语识别中扩大视野的新型模式 语言识别
Esraa Hassan1, Mahmoud Y Shams2, Tarek Abd El-Hafeez3,4
1Department of Machine Learning and Information Retrieval, Faculty of Artificial Intelligence, Kafrelsheikh University, Kafr El-Sheikh, 33516, Egypt. esraa.hassan@ai.kfs.edu.eg.
Scientific reports
|July 8, 2025
概括
本研究介绍了Sign Nevestro Densenet Attention (SNDA),这是一种用于识别美国手语 (ASL) 的新型深度学习模型. SNDA的准确率达到了99.76%,大大提高了ASL手势识别和通信可访问性.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人与计算机的交互
背景情况:
- 美国手语 (ASL) 的识别对于通信可访问性至关重要.
- 现有的计算机视觉和深度学习方法用于ASL识别需要进一步提高准确性和稳定性.
- 美国手语识别数据集为ASL手势和字母分类提供了一个大规模的资源.
研究的目的:
- 综合评估现有的ASL识别方法.
- 引入和验证一个新的深度学习架构,Sign Nevestro Densenet Attention (SNDA),用于ASL识别.
- 为了提高ASL手势分类的准确性和稳定性.
主要方法:
- 在美国手语识别数据集上对各种ASL识别技术的评估.
- 开发和实施Sign Nevestro Densenet Attention (SNDA) 架构的开发和实施.
- 使用Nadam优化器进行高效的模型训练和更快的融合.
主要成果:
- SNDA以99.76%的准确度实现了最先进的性能.
- 该模型表现出完美的灵敏度和高特异性和精度.
- 在SNDA中,融合注意力机制被证明是对特定领域的深度学习增强有效的.
结论:
- SNDA是ASL手势识别的高效架构.
- 开发的模型具有显著的潜力,可以改善聋人和听力障碍者社区的通信可访问性.
- 深度学习模型可以通过像融合注意力机制这样的技术来显著增强专业应用.
