Wszystkie pola: język migowy - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: The Automatic Recognition of Isolated Sign Language Signs Based on Gesture Components and DTW Algorithm
Autorzy:: Barczewska, K.
Powiązania:: https://bibliotekanauki.pl/articles/115682.pdf
Data publikacji:: 2014
Wydawca:: Fundacja na Rzecz Młodych Naukowców
Tematy:: automatic gesture recognition
sign language
DTW
DDTW
automatyczne rozpoznawanie gestów
język migowy
Opis:: Author presents sign language features that can provide the basis of the sign language automatic recognition systems. Using parameters like position, velocity, angular orientation, fingers bending and the conventional or derivative dynamic time warping algorithms classification of 95 signs from the AUSLAN database was performed. Depending on the number of parameters used in classification different accuracy values were obtained (defined as the ratio of correctly recognized gestures to all gestures from test set), with the highest value 87.7% for the case of classification based on all the features and the derivative dynamic time warping method.
Źródło:: Challenges of Modern Technology; 2014, 5, 3; 1-8
2082-2863
2353-4419
Pojawia się w:: Challenges of Modern Technology
Dostawca treści:: Biblioteka Nauki

Artykuł

Skocz do pozycji: 2.

Tytuł:: Feature vector or time-series – comparison of gestures representations in automatic gesture recognition systems
Autorzy:: Barczewska, K.
Wójtowicz, W.
Moszkowski, T.
Powiązania:: https://bibliotekanauki.pl/articles/115720.pdf
Data publikacji:: 2015
Wydawca:: Fundacja na Rzecz Młodych Naukowców
Tematy:: principal component analysis (PCA)
independent component analysis (ICA)
neural networks
sign language
automatic recognition
analiza składowych głównych (PCA)
analiza składowych niezależnych (ICA)
sieci neuronowe
język migowy
automatyczne rozpoznawanie
Opis:: In this paper, we performed recognition of isolated sign language gestures - obtained from Australian Sign Language Database (AUSLAN) – using statistics to reduce dimensionality and neural networks to recognize patterns. We designated a set of 70 signal features to represent each gesture as a feature vector instead of a time series, used principal component analysis (PCA) and independent component analysis (ICA) to reduce dimensionality and indicate the features most relevant for gesture detection. To classify the vectors a feedforward neural network was used. The resulting accuracy of detection ranged between 61 to 87%.
Źródło:: Challenges of Modern Technology; 2015, 6, 1; 1-5
2082-2863
2353-4419
Pojawia się w:: Challenges of Modern Technology
Dostawca treści:: Biblioteka Nauki

Artykuł

Informacja