使用 CNN LSTM、3DCNN、CNN RNN LSTM 和 CCN TD 学习手势语言表示
机器学习
2024-12-25 v1
摘要
现有手势语言学习应用专注于演示手势动作，希望学生能够正确复制手势。在这些情况下，只有教师通过手动捕获的视频才能确认手势是否正确完成。手势语言翻译是一个在视觉识别中广泛探索的领域。本文旨在探索能够实现手势语言实时翻译和准确性评分的算法，以服务于新手手势语言用户。这需要能够识别和处理空间与时间特征的算法。本文旨在评估和识别能够实现此类手势语言教学系统的最佳神经网络算法。对比包括 CNN 和 3DCNN 等主流算法在尚未探索的特里尼达及托巴哈手势语言数据集以及美国手势语言数据集上的表现。实验结果表明，3DCNN 是来自这些系统中表现最佳的神经网络算法，在 TTSL 数据集上达到 91% 的准确率，在 ASL 数据集上达到 83% 的准确率。
引用
@article{arxiv.2412.18187,
title = {Learning Sign Language Representation using CNN LSTM, 3DCNN, CNN RNN LSTM and CCN TD},
author = {Nikita Louison and Wayne Goodridge and Koffka Khan},
journal= {arXiv preprint arXiv:2412.18187},
year = {2024}
}
备注
10 pages