A Deep Learning Framework for Real-Time Word-Level Translation of American and Turkish Sign Languages
Notice bibliographique
Résumé
Hearing loss or deafness is a problem faced by an increased number of persons worldwide. Deafness is generally not attributed to age or gender, and it is possible to find young persons suffering from deafness. It is a problem which disconnects the suffering persons from properly communicating with the community around them and at large. This may bring up a number of personal and psychological complications on both the person suffering from deafness and the close family. Thanks to the sign language which somehow broke the barriers and highly helped persons with deafness by integrating them in the society. However, the English language is dominating the existing tools targeting this group of people. Particularly, the American Sign Language (ASL) is rendering the existing tools non-generalizable. This paper describes a real-time system sign language system to help in the communication with persons with hearing loss or deafness. The target is to bypass the dominance of the ASL by covering another language, namely the Turkish Sign Language (TSL). The system may be considered as a major step to bridge the gap by providing word-level interpretation for both ASL and TSL. The method described in this paper uses a video- keypoint computer vision pipeline: MediaPipe and a long short- term memory (LSTM) network to interpret the temporal flow of each sign. To provide a wide-ranging and culturally relevant vocabulary, the developed system was trained on two large datasets — Word-Level American Sign Language (WLASL) for ASL and Ankara University Turkish Sign Language (AUTSL) for TSL. The integrated system is supported by a user-friendly interface for real-time practical use by naive users. The models attain impressive scores, 90 % for WLASL and 91 % for AUTSL in accuracy, with F1-scores over 90 %. These findings demonstrate how the developed system forms a promising step forward in the direction towards an accessible communication tool with comprehensive coverage of all the available sign languages for different cultures and ethnicities.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».