XiaoMi-AI文件搜索系统
World File Search System手语
使用机器学习的基于手语解释器-IJRPR
耳聋是一种全球状况，影响了约4.66亿人，其中包括约3400万儿童。聋哑人在日常生活中面临许多挑战，尤其是在沟通，教育，就业和社会化等领域。普遍的误解是聋人无法交流；但是，许多人依靠手语作为其主要互动手段。手语是一种丰富而复杂的语言，配有其自身的语法和语法，在不同的文化和地区各不相同。认识到聋人社区内的多样性对于培养所有个人的包容性和可访问的社会至关重要，无论其听力状态如何。尽管有手语的重要性，但聋人与不使用手语的人之间有效的沟通有很大的差距。这个差距会导致误解，社会隔离以及获得基本服务的有限访问。为了解决这个问题，我们介绍了Slingo，这是一款创新的基于应用程序的手语解释器，旨在弥合听力受损的个人和非手语用户之间的沟通鸿沟。Slingo利用高级机器学习技术和计算机视觉实时检测和解释手语手势。该系统包括两个主要组成部分：图像捕获系统和机器学习模型。图像捕获系统利用设备的摄像头来捕获用户的手移动，而机器学习模型则处理这些图像以准确解释符号并在屏幕上显示其含义。Slingo系统的多功能性允许在各种环境中使用它，包括教育机构，工作场所和公共场所，从而促进听力障碍的个人与不使用手语的人之间有效的沟通。通过增强沟通可及性，Slingo旨在改善听力障碍者的生活质量，并促进各种环境中更大的包容性。本文将探讨Slingo的发展，功能和潜在应用，并强调其在应对聋人社区所面临的沟通挑战方面的重要性。
关于手语姿态高级计算技术的调查
摘要： - 手语动作的解释对于改善聋人和听力障碍者的交流可访问性至关重要。本研究提出了一个全面的计算框架，用于特征提取和长期记忆（LSTM）网络，以捕获跨手势序列的时间动态。CNN体系结构用于评估视觉输入，成功地识别和分类了对正确手势解释至关重要的手动形状，面部表情和身体姿势。通过添加LSTM，我们的方法有效地复制了手语的顺序性质，从而识别了先前运动影响的连续手势。我们使用众多创新策略来处理手语检测问题，例如签名样式，周围噪声以及实时处理的需求。多模式数据融合包含视觉，上下文和语言信息，以提高模型鲁棒性。旋转，缩放和时间变化被用作数据增强程序，以增加训练数据集并提高各种签名设置的模型适用性。混合CNN-LSTM体系结构通过超级参数调整，辍学正则化和批准化来增强，以减少过度拟合，同时保持出色。
Caixabank本月在所有分支机构上成功推出了其手语语言视频互动服务
Caixabank社会行动促进了社会计划，活动和运动，其中一些与La Caixa基金会合作。使用西班牙最大的分支网络，Caixabank可以有效地识别和满足本地需求，从而提供密切的支持。此外，它还有助于La Caixa基金会向社会实体指导财政援助。由于其在全国范围内的存在，其分支网络（西班牙最大的分支网络）可以检测到当地的需求和近距离的帮助，并支持La Caixa基金会向社会实体传达经济援助。此外，通过财务活动，银行为所有类型的人提供服务和解决方案。
diffsign：具有增强现实主义的AI辅助生成可自定义的手语视频
摘要。近年来，几种流媒体服务的扩散使世界各地的各种受众都可以观看相同的媒体内容，例如电影或电视节目。虽然正在添加翻译和配音服务，以使当地受众访问内容，但支持具有不同能力的人（例如聋哑人和听力难（DHH）通信）可以访问的内容仍在滞后。我们的目标是通过与合成签名者生成手语视频，使DHH社区更容易访问媒体内容。使用相同的签名者对全球视图的给定媒体内容可能有限的吸引力。因此，我们的方法结合了参数建模和生成建模，以生成现实的合成签名者，并根据用户偏好自定义其外观。我们首先通过优化参数模型来重新定位人类手语构成3D手语的头像。然后，使用渲染的化身姿势来调节使用基于扩散的生成模型生成的合成签名者的姿势。合成签名者的外观由通过视觉适配器提供的图像提示控制。我们的结果表明，使用我们的方法生成的手语视频比仅在文本提示下的扩散模型生成的视频具有更好的时间固定性和现实主义。我们还支持多模式的提示，允许用户进一步自定义签名者的外观以备同行多样性（例如肤色，性别）。我们的方法对于签名匿名也很有用。
一种用于自动手语识别和学习的智能Android系统
摘要 - 本文提出了一种智能的Android系统，旨在自动识别阿拉伯语和美国的标志语言，以及这些符号语言的教学和学习。它包含两个子系统。第一个子系统，即感觉智能手套系统（SSG-sys），基于物联网（IoT），是为自动手语识别而设计的。它包括一个配备了五个弹性传感器的智能手套，根据所执行的手势测量手指的弯曲，以及一个MPU-6050加速度计的传感器，可在三个轴（X，Y，Z）上跟踪手的位置。感应的数据由Arduino Nano微控制器处理，并且通过HC-05蓝牙模块将识别手势的文本传输到Android手机。此手机显示文本，并使用Android应用程序将其转换为可听见的语音。SSG-SYS结果表明阿拉伯语手语（ARSL）（98.42％）和美国手语（ASL）（98.22％）的识别准确率很高。第二个子系统是移动增强手语学习系统（MASLL-SYS）。这是一个移动教育应用程序，利用基于标记的增强现实技术，增强和使手语学习过程更现实和有效。它由五个主要模块组成：注册，学习，增强学习，测试和学生模块。总的来说，一群专家评估了拟议的智能系统的性能，他们透露，这是一种有前途的手语识别和学习工具。关键字 - 手语（SL），美国手语（ASL），阿拉伯语手语（ARSL），智能手套，增强现实（AR）
印度手语检测系统使用...
在一个言语交流通常需要优先考虑的世界中，存在一个充满活力但经常被忽视的社区，它依赖于手势作为其主要表达方式。这个社区涵盖了聋哑人，听力难以及无法发声的人。对他们来说，手语超越了沟通；这是一条生命线，他们传达了最深切的思想，情感和欲望。在印度的各种语言景观中，印度手语（ISL）成为了人类表达的深刻证明。它封装了文化多样性的丰富性，并成为包容性的凄美象征。想象一个世界，即流利的印度手语（ISL）的人无缝地与不熟悉其复杂性的人无缝联系。该愿景推动了“印度手语言检测系统”项目的前进。我们的主要目标很明确：通过弥合手语用户和非签名者之间的沟通鸿沟来增强聋人和难以听见社区的个人权力。该项目代表了技术和社会包容性的融合，这是基于早期的研究和技术大步重新定义交流界限的基础。从过去的努力中汲取灵感，我们的旅程着重于制定以用户为中心的界面，该界面满足了各种沟通需求。利用高级机器学习和计算机视觉技术，我们努力开发一种能够实时检测ISL字母和数字的系统，而无需手动翻译。
具有手语和自然语言的双语社交机器人
随着技术的进步，机器人越来越多地进入我们的社会，在教育中找到使用[1] [6]，治疗[4] [3]，娱乐[21]和其他领域。在人类互动和人类机器人互动（HRI）领域中，语音是最友好，最自然的交流方式[20]，它促进了清晰而对话的交流，而语气和情感的表现力则有助于更具吸引力的互动[2]。同时，手势是人类通讯的组成部分，当机器人可以进行基于手势的通信时，它会增强人类与机器人之间的自然性和融洽关系[24] [22]。手势提供了视觉维度，补充语音以传达信息[9]，表达情绪[8]和指导动作[10]，使机器人更像人性化和引人入胜[19]。共同创造了更直观和相关的HRI体验。然而，当聋人在场时，言语和手势可能被证明是无效的交流手段。gibson [5]说明，在一个感觉系统中遇到损害的个体通常会提高替代感官渠道作为补偿机制的熟练程度。这种现象被称为感觉补偿，这意味着耳聋的人可能表现出视觉和触觉方式的灵敏度提高。在许多国家 /地区，手语是听力损失的人的第一语言[11]。因此，在同时聋哑人或听力障碍和非聋子的情况下，可以以自然语言进行交流的机器人具有重要意义。它可以帮助弥合那些主要使用口语语言的人与依靠手语的人之间的沟通差距，使每个人都可以有效地互动并参与各种社会，教育和专业背景。本文介绍了一项初步研究，旨在在胡椒机器人的平板电脑上展示带有手语和字幕的化身，同时使胡椒能够说出带有伴随的手势的自然语言，因为机器人的自由度限制了我们直接使用它的手语言。机器人通信系统的多模式性质可确保它可以满足不同的受众群体的需求，从而适应手语用户和熟练口语的个人。
英国手语（BSL）地方行动计划2024年至2029年
在理事会的所有服务中。最终进度更新已于2024年5月8日提交给运营绩效交付和审查委员会。1.3但是，应注意的是，在原始计划的后期，Covid 19在服务提供和可访问性方面提出了重大障碍。它降低了我们进行面对面交流的能力，这始终是聋人社区首选的交流方式。此外，它还需要服务重新设计；特别是转向在线参与，这给社区带来了独特的挑战。1.4先前计划的实施中的一个关键反思和课程是在行动的设置中的僵化性。尚未为进一步的BSL服务用户或服务部门的输入提供任何规定，以反映计划的整个实施期间的情况。这无疑是通过对Covid的反应来强调的。因此，BSL计划2024-2029将成为现场计划；允许迭代变化；必要时；在服务和服务用户同意的情况下，并向当选成员通知和通知。这将通过BSL用户参考组促进与聋人社区的持续对话。
使用机器的手语翻译器...
抽象的手语是聋人和静音者的唯一交流手段。，但是许多普通人不知道手语。因此，用手语说话的人很难与那些不说手语交流的人进行交流。本文扩展了先前提出的卷积神经网络（CNN）模型，用于使用基于MobileNETV2的转移学习模型来预测手语。所提出的系统旨在通过将手语的手势转化为文本或语音来为听力受损的用户提供有效的沟通。TensorFlow K-NN图像分类器用于训练训练集的模型。分类器涉及k-neart的邻居分类器。类的数量取决于数据集中唯一标志的数量，每个类都与一个符号关联。Mobilenet模型已在大型图像数据集上进行了预训练，并在ASL手符号图像上进行了微调以学习判别特征。从Mobilenet模型中提取功能后，使用KNN分类器进行手语识别。knn是一种简单而有效的算法，它基于特征空间中其K-Neart最邻居的多数类别为输入样本分配标签。在这种情况下，邻居对应于先前看到的手语手势。拟议的手语翻译系统具有许多实际应用，例如在日常互动期间有听力或语音障碍的人。关键字： - 手语翻译器，K -NN图像分类器，CNN，Mobilenet，TensorFlow，Tokbox。此外，它可以集成到教育平台中，以支持手语学习者并提供包容性的语言教育机会。