Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/2361
Tipo do documento: | Dissertação |
Título: | Reconhecimento de Língua de Sinais Baseado em Redes Neurais Convolucionais 3D. |
Título(s) alternativo(s): | Network Based Sign Language Recognition 3D Neural Convolutionals. |
Autor: | RAMOS NETO, Geovane Menezes |
Primeiro orientador: | BRAZ JÚNIOR, Geraldo |
Primeiro membro da banca: | BRAZ JÚNIOR, Geraldo |
Resumo: | A necessidade em utilizar um código linguístico prioritariamente visual dificulta o desenvolvimento de indivíduos com deficiência auditiva. Esta dificuldade é explicada pela baixa quantidade de pessoas fluentes em uma língua de sinais, limitando a inclusão dos deficientes auditivos. As soluções atuais para a comunicação entre pessoas sem o domínio de uma língua de sinais e deficientes auditivos são a utilização de tradutores humanos, que são recursos onerosos devido a experiência profissional necessária. Este estudo apresenta uma metodologia que utiliza técnicas de visão computacional e aprendizado de máquina para reconhecer sinais da Língua de Sinais Argentina. O reconhecimento se dá através da utilização de uma arquitetura 3D Convolutional Neural Network, que foi construída através da seleção dos parâmetros que forneceram os melhores resultados entre os testes realizados. Para a validação, utilizamos a base de vídeos LSA64, que contem 64 sinais da Língua de Sinais Argentina. A melhor arquitetura alcançou uma acurácia média de 94, 22% que, quando comparado a trabalhos relacionados, se mostrou uma metodologia promissora no reconhecimento automático de línguas de sinais. |
Abstract: | The need to use a visual language code makes the development of hearing impaired individuals difficult. This difficulty is explained by the low number of people who are fluent in a sign language, limiting the inclusion of the hearing impaired. The current solutions for communication between people without the domain of sign language and the hearing impaired are the use of human translators, which are expensive resources due to the necessary professional experience. This study presents a methodology that uses computer vision and machine learning techniques to recognize signals from the Sign Language of Argentina. The recognition takes place through the use of a 3D Convolutional Neural Network architecture, which was built through the selection of the parameters that provided the best results among the tests performed. For validation, we use the LSA64 video base, which contains 64 signs of the Sign Language Argentina. The best architecture achieved an average accuracy of 94.22% which, when compared to related works, proved to be a promising methodology in the automatic recognition of sign languages. |
Palavras-chave: | Reconhecimento de Língua de Sinais; Rede Neural Convolucional 3D; Aprendizado Profundo Sign Language Recognition; 3D Convolutional Neural Network; Deep Learning |
Área(s) do CNPq: | Sistemas de Informação. |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | RAMOS NETO, Geovane Menezes. Reconhecimento de Língua de Sinais Baseado em Redes Neurais Convolucionais 3D.. 2018. 54 folhas. Dissertação( Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/2361 |
Data de defesa: | 26-Jul-2018 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Geovane Menezes Ramos Neto.pdf | Dissertação de Mestrado. | 913,02 kB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.