Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 109,413,630

 Nhận diện bảng chữ cái ngôn ngữ ký hiệu tiếng Việt sử dụng mô hình học sâu
Tác giả hoặc Nhóm tác giả: Võ Đức Hoàng
Nơi đăng: Kỷ yếu hội nghị khoa học công nghệ quốc gia lần thứ XVI (FAIR’2023); Số: 1;Từ->đến trang: 588-593;Năm: 2023
Lĩnh vực: Công nghệ thông tin; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Ngôn ngữ ký hiệu là phương tiện giao tiếp được sử dụng phổ biến trong cộng đồng người khiếm thính. Ngôn ngữ ký hiệu có những đặc trưng riêng với các quốc gia khác nhau, được biểu diễn thông qua các cử chỉ và hình dạng bàn tay, khuỷu tay, hay khuôn mặt. Việc nhận diện và giải mã ngôn ngữ ký hiệu là một thách thức lớn do sự phức tạp và đa dạng của các ký hiệu. Để giải quyết vấn đề này, các nhà nghiên cứu đã sử dụng mạng nơron sâu để trích xuất đặc trưng và phân loại ngôn ngữ ký hiệu. Các mô hình học sâu hiện nay đang tập trung nhiều về độ chính xác hơn kích thước của mô hình. Trong nghiên cứu đã đề xuất sử dụng và cải tiến mô hình SqueezeNet thử nghiệm trên bảng chữ cái ngôn ngữ ký hiệu tiếng Việt, cho độ chính xác 99.78% trên dữ liệu huấn luyện và nhận dạng bảng chữ cái tiếng Việt, cũng như số lượng tham số tốt hơn so với các phương pháp truyền thống. Mô hình này đóng góp vào việc ứng dụng cho các sản phẩm cuối đối với các thiết bị có cấu hình phần cứng hạn chế
ABSTRACT
Sign language is a commonly used means of communication in the deaf community. Sign languages have unique characteristics for different countries, expressed through gestures and hand, elbow, or facial shapes. Recognizing and decoding sign language is a major challenge due to the complexity and diversity of symbols. To solve this problem, researchers used deep neural networks to extract features and classify sign languages. Current deep learning models are focusing more on accuracy than model size. In the study, it was proposed to use and improve the SqueezeNet model tested on the Vietnamese sign language alphabet, giving 99.78% accuracy on training data and recognizing the Vietnamese alphabet, as well as numbers. The number of parameters is better than traditional methods. This model contributes to end-product applications for devices with limited hardware configurations.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn