Enthüllung der Kraft von maschinellem Lernen und tiefem Lernen zur Förderung der Erkennung der amerikanischen Gebärdensprache

Die amerikanische Gebärdensprache (ASL) dient als entscheidende visuelle-gestische Sprache für die Gehörlosengemeinschaft und zeichnet sich durch ihre komplexe Syntax aus, die durch Gesten, Mimik und Körpersprache ausgedrückt wird. Trotz ihrer Komplexität stellt die ASL im Bereich des tiefen Lernens und des maschinellen Lernens Herausforderungen dar, die auf ihre dynamische Natur, unterschiedliche Gebärdenmethoden und das Fehlen standardisierter Datensätze zurückzuführen sind. Der Mangel an gekennzeichneten Daten erschwert die ASL-Erkennung zusätzlich, da er die Erfassung subtiler Nuancen wie Handbewegungen und Gesichtsausdrücke behindert. Diese Forschungsstudie beabsichtigt, diese Herausforderungen anzugehen, indem Modelle entwickelt werden, die ASL-Bilder in Text umwandeln, um damit das Feld der Gebärdensprachen-Erkennung voranzubringen. In dieser Studie wird die Wirksamkeit der Bildklassifikationstechniken von OpenCV, namentlich K-Nearest Neighbors, Naive Bayes, Support Vector Machines und logistischer Regression, bei ASL-bezogenen Aufgaben demonstriert. Bemerkenswerterweise erzielen diese Modelle Genauigkeiten von 75 % bis beeindruckende 80 %. Das zweite Experiment konzentriert sich auf ASL-spezifische Anwendungen und nutzt die überlegene Leistung von Support Vector Machines (SVM). Mit einem Datensatz, der vier Alphabete (A-D), neun Wörter und zehn Ganzzahlen umfasst, erreicht ein kombinierter Ansatz aus SVM und YOLOv5 eine Objekterkennungsgenauigkeit von 81,16 %, was MediaPipe übertrifft. Darüber hinaus untersucht die Studie Strategien zur Erweiterung des Datensatzes und zeigt, dass eine bemerkenswerte Genauigkeit von 92,11 % erreicht wird, wenn SVM mit Convolutional Neural Networks (CNN) kombiniert wird. Außerdem wird eine beeindruckende Genauigkeit von 98,01 % erreicht, wenn SVM zusammen mit Long Short-Term Memory (LSTM) verwendet wird. Diese umfassende Untersuchung trägt nicht nur wertvolle Erkenntnisse zur Entwicklung effektiver Systeme zur Gebärdensprachekommunikation bei, sondern erweitert auch unser Verständnis von tiefem Lernen, maschinellem Lernen und ASL-Identifikation erheblich.