.png){kind=icon}
返回
Continuous Arabic Sign Language Recognition Models
.png){kind=icon}
OA
AI
DOI：10.3390/s25092916.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聋人与听人群体之间存在着显著的沟通鸿沟，常常使聋人个体感到孤立和边缘化。这一挑战对于阿拉伯语使用者尤为突出，因为缺乏公开可用的阿拉伯语手语数据集和专门的手语识别系统。本研究首次使用Temporal Convolutional Network（TCN）模型进行阿拉伯语手语（ArSL）识别。我们创建了一个包含阿拉伯语手语（ArSL）中最常见30个句子的自定义数据集。通过改进一个结合了Bidirectional Long Short-Term Memory（BiLSTM）模型的Recurrent Neural Network（RNN），我们提升了识别性能。我们的方法相比基线RNN-BiLSTM模型取得了卓越的准确率结果。本研究为开发能够弥合听障群体沟通障碍的识别系统做出了贡献。通过比较分析，我们评估了TCN和改进后的RNN架构在捕捉阿拉伯语手语特有的时间依赖性和语义细微差别方面的性能。这些模型使用基于识别准确率、处理速度以及对不同手语风格变化的鲁棒性，基于创建的阿拉伯语手势数据集进行训练和评估。本研究通过探讨这些模型在手语识别场景中的适用性，揭示了TCN和改进后的RNN-BiLSTM的优势和局限性。结果表明，TCN模型的准确率达到99.5%，而原始的RNN-BiLSTM模型最初准确率为96%，但在改进后提升至99%。尽管两模型的准确率差距较小，但TCN模型在计算效率方面展现出显著优势，所需资源更少且推理速度更快。这些因素使TCN更适用于实时手语识别应用。
Keyword:
Arabic Sign Language
TCN
BiLSTM
MediaPipe
sign language recognition
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
CNN-TCN: Deep Hybrid Model Based on Custom CNN with Temporal CNN to Recognize Sign LanguageCNN-TCN：基于自定义CNN与时间卷积网络（Temporal CNN）的深度混合模型，用于手语识别OAAI
OAAI分享收藏Deep Learning for Sign Language Recognition: Current Techniques, Benchmarks, and Open Issues.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Facilitating the communication with deaf people: Building a largest Saudi sign language dataset促进与聋人的沟通：构建最大的沙特手语数据集
OAAI
OAAI分享收藏A vision-based deep learning approach for independent-users Arabic sign language interpretation一种基于视觉的深度学习方法，用于独立用户的阿拉伯语手语解释OAAI
OAAI分享收藏A Survey of Advancements in Real-Time Sign Language Translators: Integration with IoT TechnologyTechnologiesOAAI
TechnologiesIF0
OAAI分享收藏分享收藏
查看更多内容