{"title":"开发用于对听障人士的动作进行分类的人工智能模型","authors":"Ahmed Kasapbaşı, Hüseyin Canbolat","doi":"10.34248/bsengineering.1477046","DOIUrl":null,"url":null,"abstract":"Özet: İşaret Dili, işitme engelli bireyler için hayati bir iletişim aracı olarak hizmet eder ve farklı ülkelerde birçok işaret dilinin varlığına yol açar. Bu çalışma, işaret dili jestlerini metne dönüştürmeyi kolaylaştırmak için Türk İşaret Dili (TİD) alfabesini derin öğrenme ilerlemeleri çerçevesinde kullanmayı önermektedir. Bu amaçla, çeşitli çevresel faktörler açısından çeşitlilik gösteren yeni bir veri kümesi oluşturulmuştur, arka planlar, aydınlatma koşulları ve işaret pozisyonları gibi. Daha sonra, TİD alfabesini algılamak ve sınıflandırmak için Evrişimli Sinir Ağları (CNN'ler) kullanılmıştır. Ayrıca, geliştirilen modellerin performansını optimize etmek için çeşitli hiperparametreler araştırılmıştır. En iyi CNN mimarisi, beş evrişimli katmanı içerir ve Adam öğrenme hızı optimizasyon yöntemini kullanır; 70 epoch'tan sonra %97.80'lik bir övgüye değer doğruluk (başarılık) elde eder. Sonuç olarak, zorlu bir veri kümesi üzerinde eğitilen önerilen modeller, işaret dili tanıma alanında önemli bir ilerleme temsil etmektedir.","PeriodicalId":495872,"journal":{"name":"Black sea journal of engineering and science","volume":" 8","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"İşitme Engelli Bireylerin Hareketlerini Sınıflandırmaya Yönelik Yapay Zeka Modelinin Geliştirilmesi\",\"authors\":\"Ahmed Kasapbaşı, Hüseyin Canbolat\",\"doi\":\"10.34248/bsengineering.1477046\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Özet: İşaret Dili, işitme engelli bireyler için hayati bir iletişim aracı olarak hizmet eder ve farklı ülkelerde birçok işaret dilinin varlığına yol açar. Bu çalışma, işaret dili jestlerini metne dönüştürmeyi kolaylaştırmak için Türk İşaret Dili (TİD) alfabesini derin öğrenme ilerlemeleri çerçevesinde kullanmayı önermektedir. Bu amaçla, çeşitli çevresel faktörler açısından çeşitlilik gösteren yeni bir veri kümesi oluşturulmuştur, arka planlar, aydınlatma koşulları ve işaret pozisyonları gibi. Daha sonra, TİD alfabesini algılamak ve sınıflandırmak için Evrişimli Sinir Ağları (CNN'ler) kullanılmıştır. Ayrıca, geliştirilen modellerin performansını optimize etmek için çeşitli hiperparametreler araştırılmıştır. En iyi CNN mimarisi, beş evrişimli katmanı içerir ve Adam öğrenme hızı optimizasyon yöntemini kullanır; 70 epoch'tan sonra %97.80'lik bir övgüye değer doğruluk (başarılık) elde eder. Sonuç olarak, zorlu bir veri kümesi üzerinde eğitilen önerilen modeller, işaret dili tanıma alanında önemli bir ilerleme temsil etmektedir.\",\"PeriodicalId\":495872,\"journal\":{\"name\":\"Black sea journal of engineering and science\",\"volume\":\" 8\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-07-18\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Black sea journal of engineering and science\",\"FirstCategoryId\":\"0\",\"ListUrlMain\":\"https://doi.org/10.34248/bsengineering.1477046\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Black sea journal of engineering and science","FirstCategoryId":"0","ListUrlMain":"https://doi.org/10.34248/bsengineering.1477046","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
摘要
摘要：手语是聋人交流的重要手段，因此在不同国家有许多手语。本研究建议在深度学习进展框架内利用土耳其手语（TSL）字母表，促进将手语手势转录为文本。为此，我们创建了一个新的数据集，该数据集因背景、光照条件和手势位置等各种环境因素而异。然后，使用卷积神经网络（CNN）对 TID 字母进行检测和分类。此外，还研究了各种超参数，以优化所开发模型的性能。最佳的 CNN 架构包括五个卷积层，并采用了亚当学习率优化方法；在 70 个历时之后，其准确率达到了令人称赞的 97.80%。总之，在具有挑战性的数据集上训练出的模型代表了手语识别领域的重大进步。
İşitme Engelli Bireylerin Hareketlerini Sınıflandırmaya Yönelik Yapay Zeka Modelinin Geliştirilmesi
Özet: İşaret Dili, işitme engelli bireyler için hayati bir iletişim aracı olarak hizmet eder ve farklı ülkelerde birçok işaret dilinin varlığına yol açar. Bu çalışma, işaret dili jestlerini metne dönüştürmeyi kolaylaştırmak için Türk İşaret Dili (TİD) alfabesini derin öğrenme ilerlemeleri çerçevesinde kullanmayı önermektedir. Bu amaçla, çeşitli çevresel faktörler açısından çeşitlilik gösteren yeni bir veri kümesi oluşturulmuştur, arka planlar, aydınlatma koşulları ve işaret pozisyonları gibi. Daha sonra, TİD alfabesini algılamak ve sınıflandırmak için Evrişimli Sinir Ağları (CNN'ler) kullanılmıştır. Ayrıca, geliştirilen modellerin performansını optimize etmek için çeşitli hiperparametreler araştırılmıştır. En iyi CNN mimarisi, beş evrişimli katmanı içerir ve Adam öğrenme hızı optimizasyon yöntemini kullanır; 70 epoch'tan sonra %97.80'lik bir övgüye değer doğruluk (başarılık) elde eder. Sonuç olarak, zorlu bir veri kümesi üzerinde eğitilen önerilen modeller, işaret dili tanıma alanında önemli bir ilerleme temsil etmektedir.
京公网安备 11010802042870号
京ICP备2023020795号-1
分享
求助内容：
应助结果提醒方式：
扫码关注我们
