Kenyan sign language word-based pose dataset
Notice bibliographique
Résumé
In an era where technology fosters inclusion, sign language remains underrepresented in linguistic datasets, especially for low-resource languages such as Kenyan Sign Language (KSL). This paper presents a novel dataset created using MediaPipe's pose estimation technology, designed to address the scarcity of resources for KSL. The dataset includes 20,000 video recordings of KSL gestures, converted into anonymized stickman representations alongside detailed 3D pose coordinates stored in .npy files. The data collection process focused on preserving participant privacy while ensuring the integrity of gesture data. By utilizing pose estimation, the dataset captures manual and non-manual features of KSL while maintaining the anonymity of signers. Stickman representations abstract human features, mitigating ethical concerns associated with traditional video datasets and aligning with privacy-preserving practices. The dataset spans a diverse range of themes relevant to KSL, including daily interactions, cultural expressions, and educational contexts, providing comprehensive coverage of the KSL lexicon. This dataset is designed for reuse across multiple domains. Researchers can leverage it to train machine learning models for sign language recognition, while educators can utilize it to develop interactive language learning tools. Additionally, it supports the development of virtual sign language interpreters and 3D avatars for accessibility applications. By enabling seamless integration into machine learning frameworks, the dataset facilitates advancements in KSL-related technologies and contributes to bridging communication gaps within the Deaf community.
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 | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».