مطالعه مروری بر روشهای تشخیص زبان اشاره مبتنی بر یادگیری عمیق

امروزه بخشی از افراد جامعه ناشنوا بوده و یا دارای اختالل گفتار می باشند و ارتباط آنها با دیگران دشوار می باشد. روشهای تشخ یص زبان اشاره سعی کرده تا این مشکل را رفع نموده و بتواند این ارتباط را فراهم و آسان نماید. با توجه به اینکه هر کشور دارا ی زبان اشاره مختص به خود است ، دقت تشخ یص زبان اشاره برای هر کدام متفاوت می باشد. همچن ین با توجه به اینکه در روشهای جدید سعی شده تا با پردازش تصویر و استخراج ویژگیهای آن بتوان زبان اشاره را تشخیص داد بنابراین ممکن است به دلیل شرایط نوری و رنگ پوست و رنگ پس زم ینه دقت تشخیص آن کاهش پیدا کند. در این مقاله سعی شده است تا مقایسها ی روی روشهای تشخ یص زبان اشاره مبتن ی بر یادگیری عم یق انجام شود و دقت تشخی ص برا ی زبانهای اشاره مختلف از جمله زبان اشاره آمریکایی و هند ی و چینی در شرایط مختلف بررسی شود. روشهای تشخیص زبان اشاره مبتنی بر یادگیری عمیق به شبکه عصبی پ یچشی(cnn)مدل اصالح شده حافظه ی کوتاه مدت طوالنی(lstm)شبکه های توجه عمیق مدل سازی شده ( m2da- net )شبکه عصبی پیچش ی سه بعدی ( 3dcnn) و مدل شبکه عصبی پیچشی هندسی (cnn-g)دسته بندی شده اند. روش ها از جنبه دقت و زمان تشخ یص مقایسه شدهاند و در نتیجه مشخص شد که روش شبکه عصبی پ یچشی سه بعدی عملکرد بهتر ی دارد. همچن ین مزایا و معایب روشهای مختلف همراه با چالش ها در تشخ یص زبان اشاره مشخص شد.

a review of sign language recognition methods based on deep learning

nowadays, some of the people in the society are deaf or have a speech disorder and it is challenging for them to communicate with others.sign language recognition methods have tried to address this issue and make this communication easy.considering that each country has its own sign language, the accuracy of sign language recognition is various for each one.additionally, in new approaches, efforts have been made to use image processing and feature extraction to recognize sign language. however, due to lighting conditions, skin tone, and background color, the accuracy of recognition might be reduced. this article aims to provide a comparison of deep learning-based sign language recognition methods and assess their accuracy for various sign languages, including american sign language, indian sign language, and chinese sign language, under different conditions. the methods considered for sign language recognition include convolutional neural networks (cnn), modified long short-term memory models (lstm), modified deep attention networks (m2da-net), 3d convolutional neural networks (3dcnn), and geometric cnn (g-cnn). the methods have been compared in terms of accuracy and detection time, and as a result, it was found that the 3d convolutional neural network method has a better performance. furthermore, the advantages and disadvantages of different methods are discussed, along with the challenges in sign language recognition.