改进手语识别系统,以协助聋人使用路径查找算法与表示学习模型

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:

• 标语识别 (SLR) 对于有听力障碍的人的沟通可访问性至关重要.
• 机器学习 (ML) 和深度学习 (DL) 已经推进了SLR,但在准确性和稳定性方面仍然存在挑战.
• 现有系统需要进一步增强,以实现现实世界的有效性.

研究的目的:

• 提出一个新的手语识别系统 (PASLR-DDFEM),集成高级优化和表示学习.
• 为了提高手语识别的准确性,稳定性和现实应用性.
• 为了促进听力障碍者有效沟通.

主要方法:

• 使用高斯过 (GF) 进行图像预处理以减少噪声.
• 使用SE-DenseNet模型进行特征提取.
• 使用埃尔曼神经网络 (ENN) 模型进行分类,通过Pathfinder算法 (PFA) 进行优化.

主要成果:

• 拟议的PASLR-DDFEM方法在美国手语 (ASL) 数据集上表现出卓越的性能.
• 实现了98.80%的高精度.
• 在模拟研究中表现优于现有的手语识别模型.

结论:

• PASLR-DDFEM方法显著提高了手语识别的准确性和有效性.
• 将PFA与ENN和SE-DenseNet集成,为通信可访问性提供了一个强大的解决方案.
• 这种系统具有很大的潜力,可以帮助聋人士进行日常沟通.