Breaking Barriers: Real-Time Sign Language Recognition Using LSTM Networks for Enhanced Communication Accessibility
Notice bibliographique
Résumé
This paper presents an innovative approach to real-time sign language recognition using Long Short-Term Memory networks (LSTM), aimed at enhancing communication accessibil-ity for the deaf and hard-of-hearing community. We address the challenge of understanding and interpreting sign language, which is critical for millions worldwide, yet restricted to those proficient in it. Our research contributes to bridging this communication gap by developing a deep learning model capable of recognizing a broad spectrum of sign language gestures and sentences with high accuracy and speed. Utilizing a rich dataset comprising diverse sign language gestures, collected in collaboration with a professional video production studio and proficient sign language users, we employ LSTM networks integrated with Dense layers to effectively capture the complex spatial and temporal patterns of sign language. The architecture of our model is specifically designed to accommodate the nuanced dynamics of sign language, with an emphasis on real-time processing. Through rigorous training and validation, our model demonstrates an outstanding accuracy rate of 92 % on a comprehensive testing dataset, alongside remarkable real-time processing capabilities. The sys-tem's efficiency in recognizing a wide array of sign gestures nearly instantaneously underscores its potential applicability in various real-world scenarios, including assistive technologies and human-computer interaction. This study not only showcases the practicality and efficacy of LSTM networks in real-time sign language recognition but also marks a significant step towards more inclusive and accessible communication technologies. Our future work includes integrating this system with the Langue des Signes Quebecoise website, further advancing the goal of universal communication accessibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».