文献

J-GLOBAL ID：202102250922551982   整理番号：21A0893413

エッジデバイスベースの手話認識に関するデータ増強と深層学習モデリング法【JST・京大機械翻訳】

Data Augmentation and Deep Learning Modeling Methods on Edge-Device-Based Sign Language Recognition

著者 (3件)： Ding Yuzhe (School of Microelectronics Science and Engineering, East China Normal University,Shanghai,China) ,  Huang Shaofei (School of Software Engineering, Huazhong University of Science and Technology,Wuhan,China) ,  Peng Roubo (School of Mechanical Electronic & Information Engineering, China University of Mining & Technology,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ISCTT  ページ： 490-497  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,モバイルエッジデバイス(AutoMLと転送学習)に関するサイン言語認識(SLR)を実現する方法を推奨した。本論文では,SLRにおけるそれらの性能を,モデルサイズ,速度,および精度の観点から比較した。より信頼できる比較分析を行うために,著者らは最初に,中国のサイン言語(CSL)に基づくベンチマークデータセットを得るために,データ強化を築き上げて適用した。このデータセットを用いて,モデルを訓練し,実時間試験のために移動エッジデバイスに展開した。データ増強が効果的にデータセットの多様性を改善し,訓練モデルのロバスト性を改善することが分かった。モデル比較の結果は,自動MLが精度においてより支配的であり,移動学習が低待ち時間応用に適していることを示した。さらに,自動MLは,その低い訓練速度にもかかわらず,ジェスチャのような巨視的に均一な画像を分類する際に優れている。一方,移動学習の訓練プロセスは速やかであるが,低い精度はその問題である。これらの結論は,SLRの軽量モバイルアプリケーション実装への重要性を導く。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  言語 ,  待ち時間 ,  ベンチマーク ,  ロバスト性
準シソーラス用語： 身振り ,  *手話認識 ,  比較分析 ,  言語認識 ,  モバイルアプリケーション ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 手話認識 ,  データ増強 ,  深層学習 ,  モデリング