American Sign Language
PulseAugur coverage of American Sign Language — every cluster mentioning American Sign Language across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
使用合成数据开发的直接手语翻译模型
研究人员开发了一种新颖的直接翻译不同手语的方法，填补了当前手语技术的空白。他们的方法利用反向翻译创建合成平行语料库，从而能够训练一个模型同时进行文本到手语和手语到手语的翻译。这种直接方法在准确性和速度上显著优于级联系统，有望改善聋哑和听障人士之间的跨语言交流。
-
AI驱动的戒指可将手语翻译的准确率提高到88%
研究人员开发了电子戒指，可以通过无线传输运动数据到AI系统来解读手语。与之前的基于摄像头或智能手套的系统不同，这些戒指为实际应用提供了更实用、更轻便、更舒适的解决方案。该系统使用七个配备加速度计的戒指和一个深度学习模型，在识别美国手语和国际手语的常用词汇方面达到了88%以上的准确率，即使对于未参与初始训练的用户也是如此。
-
新的基于集合的分组配准框架可泛化至不同心脏MRI协议
研究人员开发了一种名为 \AnyTwoReg 的新型基于集合的分组配准框架，用于心脏MRI序列。该方法将输入数据视为无序集合，将网络设计与序列长度和输入顺序解耦。通过使用共享编码器和来自基础模型的对比度不敏感特征，它实现了跨不同MRI协议和对比度变化的泛化。该框架展示了强大的零样本跨协议泛化能力，并提高了下游定量映射的质量。
-
神经形态系统实现低延迟、高能效的手语识别
研究人员开发了一种新颖的用于美国手语（ASL）识别的神经形态架构，将脉冲视觉注意力机制与SpiNNaker平台上的紧凑型脉冲神经网络相结合。该系统实现了低延迟和高能效，在模拟和硬件部署上均展现出有竞争力的准确性。该架构专为边缘部署而设计，展示了神经形态计算在实时、功耗受限应用中的潜力。
-
Apple AI引导手语标注，降低成本并改进模型
来自Apple和Gallaudet University的研究人员开发了一种伪标注管道，以显著降低标注手语数据所需的成本和时间。这种新方法使用手语模型的稀疏预测和K-Shot LLM方法来估计手语词汇、拼写词和手语分类器的标注。该管道旨在克服数据稀缺性这一限制AI驱动的手语解释的难题，一位专业翻译员在近500个视频上验证了该方法。