XiaoMi-AI文件搜索系统
World File Search System手语
在天秤座中的字母教学的嬉戏游戏
巴西的手语，这对巴西聋人社区很重要。但是，其低使用会给聋人带来沟通挑战。本文提出了一款教育棋盘游戏，该游戏将体重和数字组件结合在一起，以磅为英镑。此外，还考虑了机器学习技术的集成以验证天秤座通过游戏中的学习。最初的结果是有希望的，孩子们对了解巴西手语的更多了解表现出真正的兴趣，强调了这种好玩的方法的潜力，即为听众和聋哑儿童促进这种内容的教学，强调社会包容的重要性。总的来说，本文强调需要创新的教育解决方案来鼓励使用磅并促进聋哑儿童的社会包容。关键字：手语；包容教育；教学游戏；教学方法。
遗传性耳聋与社会：寻求道德意识
一项关于遗传学和耳聋的出色研究是马萨葡萄园岛，它是马萨诸塞州海岸外的一个小岛，曾因拥有大量聋人而闻名。这个在十八和十九世纪盛行的社区与许多遗传概念有关，这让我们深入了解了为什么聋人人口比例高于大陆。本文将比美国手语/聋人研究文献中讨论的内容更深入地讨论遗传性耳聋。这包括了解群体遗传学的重要性。本文还考虑到马萨葡萄园岛的许多听力正常的居民都知道如何打手语，以及聋人和听力正常的人在哪里可以有效地相互交流（例如，Groce，1985）。最近，这种社会语言现象与世界各地盛行的共享手语社区有关（参见 Kisch，2008 年、2012 年）。玛莎葡萄园岛作为一个共享手语社区，随着人类利用新兴的基因工具向 21 世纪过渡，它激励了许多人，促使学者们更好地理解对聋人而言包容性社会的意义。需要注意的是，现代美国社会中的许多人认为耳聋是需要根除的疾病，尤其是考虑到基因工程的能力。因此，伦理对话对于遗传学领域至关重要。一些社会变革的考虑有助于促进人们接受人类遗传多样性，其中包括强烈的伦理意识。
用于...
1。Pigou，L。; Dieleman，s。; Kindermans，P.-J。 ; Schrauwen，B。 使用卷积神经网络的手语识别。 在计算机视觉中 - ECCV 2014研讨会； Agapito，L.，Bronstein，M.M.，Rother，C。，编辑。 ; Springer International Publishing：CHAN，2015年；卷。 8925，pp。 572–578 ISBN 9783319161778。 2。 Zaki，M.M。 ; Shaheen，S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。 3。 Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Pigou，L。; Dieleman，s。; Kindermans，P.-J。; Schrauwen，B。使用卷积神经网络的手语识别。在计算机视觉中 - ECCV 2014研讨会； Agapito，L.，Bronstein，M.M.，Rother，C。，编辑。; Springer International Publishing：CHAN，2015年；卷。8925，pp。572–578 ISBN 9783319161778。2。Zaki，M.M。 ; Shaheen，S.I。 使用基于新视觉的功能组合的手语识别。 模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。 3。 Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Zaki，M.M。; Shaheen，S.I。使用基于新视觉的功能组合的手语识别。模式识别信2011，32，572–577，doi：10.1016/j.patrec.2010.11.013。3。Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。 在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。 19–24。 4。 bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。 在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。 1-7。 5。 Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Mukai，n。; Harada，n。; Chang，Y。基于分类树和机器学习的日本手指识别。在2017年NICograph International（NICOINT）的会议记录中； IEEE：日本京都，2017年6月； pp。19–24。4。bhat，a。; Yadav，V。;达根（Dargan） Yash手语使用深度学习进行文本转换。在2022年第三届国际新兴技术会议论文集（INCET）； IEEE：印度Belgaum，2022年5月27日； pp。1-7。5。Gupta，Nikhil。 “字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。 6。 jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。 在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。 1-6。 7。 Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Gupta，Nikhil。“字符语言转换。” Github，2023年10月29日，github.com/emnikhil/sign-language-to-text-conversion。6。jie huang; Wengang Zhou; Houqiang li;使用3D卷积神经网络来引导LI手语识别。在2015年IEEE国际多媒体和博览会（ICME）会议录中； IEEE：意大利都灵，2015年6月； pp。1-6。7。Liang，Z。; Liao，s。;胡，B。 8。 1-4。 9。Liang，Z。; Liao，s。;胡，B。8。1-4。9。3D卷积神经网络，用于动态手语识别。计算机期刊2018，61，1724–1736，doi：10.1093/comjnl/bxy049。Kanavos，A。; Papadimitriou，O。; mylonas，p。; Maragoudakis，M。使用深层卷积神经网络增强手语识别。 在第2023届第14届国际信息，情报，系统与应用程序（IISA）会议录中； IEEE：沃尔斯，希腊，2023年7月10日； pp。 张，p。; Wang，D。; Lu，H。多模式视觉跟踪：审查和实验比较。 comp。 Visual Media 2024，10，193–214，doi：10.1007/s41095-023-0345-5。Kanavos，A。; Papadimitriou，O。; mylonas，p。; Maragoudakis，M。使用深层卷积神经网络增强手语识别。在第2023届第14届国际信息，情报，系统与应用程序（IISA）会议录中； IEEE：沃尔斯，希腊，2023年7月10日； pp。张，p。; Wang，D。; Lu，H。多模式视觉跟踪：审查和实验比较。comp。Visual Media 2024，10，193–214，doi：10.1007/s41095-023-0345-5。
LIN - 语言学
主题 3：手语和手语社区。与美国手语 326 相同。研究手语的语法、手语在手语社区中的使用以及将手语作为第一语言的习得。无需了解美国手语。可能不计入任何学士学位的外语要求。先决条件：高年级。主题 4：语言与人。语言和语言学中对人影响最直接的领域，例如语言和种族、语言和国家建设以及语言政治。先决条件：高年级。主题 5：双语语言习得。研究双语第一语言习得的各个方面，包括音系、形态学和句法，以及儿童对其语言的使用。先决条件：高年级。主题 6：美洲土著语言。与拉丁美洲研究 322（主题 15：美洲土著语言）相同。研究美洲语言的各个方面，包括其语言结构、其存在的文化领域以及语言接触和变化的历史。一学期每周三个讲座小时。先决条件：高年级学分。主题 7：语言、认知和节奏。探索语言与各种音乐形式之间的联系，以及这些联系的心理基础可能是什么。阅读材料主要来自心理学、语言学和音乐感知方面的已发表文献。语言学 350（主题：语言、认知和节奏）和 350（主题 7）不能同时计算。其他先决条件：高年级学分。主题 10：如何描述语言。语言记录和保存的实用介绍。主题包括语言多样性和描述、记录和保存语言的实用方法，重点是有限数据集的音系和形态分析，以及语言学家与希望记录或振兴其语言的语言使用者群体合作的作用。一学期每周三个讲座小时。语言学 350（主题：如何描述一种语言）和 350（主题 10）不能同时计算。其他先决条件：高年级。主题 11：语音清晰度。概述影响语音清晰度（口语可理解程度）的说话者、听众和信号相关因素的主要实证研究结果。探索信号相关（物理）、外围（听觉感知）和系统相关（心理）因素如何影响可理解语音的产生和感知的变化。还研究了可理解性的变化如何影响不同级别的口语处理以及听者在口语理解过程中执行的不同任务。一学期每周三个课时。语言学 350（主题：语音清晰度）和 350（主题 11）不能同时计算。其他先决条件：语言学 344K、358S 或教师同意。主题 12：分析文本数据：语言学家的统计工具包。通过语言问题和语言数据集介绍统计概念和分析。一个学期每周三个讲座小时。语言学 350（主题：大海捞针）和 350（主题 12）不能同时计算。其他先决条件：高年级。主题 14：写作语言学。语言与书面文字的关系以及语言分析与写作的关系。主题包括书写系统的类型学和演变、阅读和写作的心理语言学以及写作在当代语言政治中的作用。语言学 350（主题：语言学
使用rvq-vae
在手语制作（SLP）任务中，一种常见的方法是具有独立的手语单词，然后将其运动表示形式串联以形成完整的句子。然而，由于中间缺少框架，该过程构成了挑战，这导致突然过渡并降低平滑度，从而使结果序列难以解释。为了解决此问题，本文介绍了一个量化的矢量量化变异自动编码器（RVQVAE）模型，用于在视频中插值2D关键点运动。我们的实验通过在视频关键点序列中随机隐藏一组帧来模拟单个符号转变。通过将其性能与隐藏帧的基线方法进行比较，可以评估所提出的模型。矩阵距离误差和动态时盘指标的改进表明，RVQVAE模型可为生成中间帧产生有希望的结果。这些发现突出了开发应用程序的潜力，以增强手语的生产以使聋人社区受益。
为听障人士提供手势识别的人工智能生物传感系统
人工智能技术有潜力帮助聋哑人士交流。由于手势碎片化的复杂性和捕捉手势的不足，作者提出了一种基于 Deep SLR 的手语识别 (SLR) 系统和可穿戴表面肌电图 (sEMG) 生物传感设备，可将手语转换为印刷信息或语音，让人们更好地理解手语和手势。在前臂上安装了两个臂带，臂带上装有生物传感器和多通道 sEMG 传感器，可以很好地捕捉手臂和手指的动作。Deep SLR 在 Android 和 iOS 智能手机上进行了测试，并通过全面测试确定了它的实用性。Sign Speaker 在用智能手机和智能手表识别双手手势方面存在相当大的局限性。为了解决这些问题，本研究提出了一种新的实时端到端 SLR 方法。连续句子识别的平均单词错误率为 9.6%，检测信号并识别一个包含六个手势词的句子需要不到 0.9 秒的时间，证明了 Deep SLR 的识别能力。
实时签名 - 芬格 - 诉说 -
摘要：手语允许静音人交流，当对话主义者无法理解时，就会出现问题。尽管努力解决了这个问题，但尚未找到有效的解决方案。在这项工作中，卷积神经网络（CNN）在两个不同的数据集上进行了培训 - 二进制和红色蓝色绿色）RGB（每个都包含25,900张尼日利亚手语的图像。使用深度神经预训练的模块来检测视频供稿中的手势，该模块解决了复杂背景的问题，在昏暗的区域也显示出极好的检测。在培训和验证集中分别获得了（98.95％，76％）和（98.87％，98.85％）的精度。开发的实时系统将这两个模型作为单个系统实现，这使其成为独特的系统。