British Sign Language
PulseAugur coverage of British Sign Language — every cluster mentioning British Sign Language across labs, papers, and developer communities, ranked by signal.
-
新AI模型在手语识别和生成方面取得进展
研究人员开发了超越传统闭集分类的新型手语识别和生成方法。一种方法利用视频字幕和描述检索来创建一个能够处理开放词汇和连续手语的反向手语词典，在识别已见和未见手语方面均有显著改进。另一种方法SignSeek通过对比学习手语并使用发音部位显著性引导掩码来学习手语词典检索的可迁移表示，在多种手语上取得了最先进的性能，甚至无需微调即可泛化到未见过的手语。SignMatch也通过学习原型结构嵌入空间来匹配词典手语与连续视频，展示了有效的跨语言泛化…
-
新数据集和模型改进BSL拼写识别
研究人员推出了FS23K，这是一个用于识别英式手语（BSL）拼写的新大规模数据集，解决了现有数据集在规模和准确性方面的局限性。他们还开发了一个能够考虑双手动交互和口型提示的模型，与之前最先进的方法相比，字符错误率降低了一半。这项工作旨在推进手语理解和改进自动化标注流程。
-
新方法利用跨语言数据改进手语情绪识别
研究人员开发了一种新的手语情绪识别方法，解决了语法和情感面部表情重叠以及数据稀缺的挑战。通过利用包含日语手语（eJSL）和英式手语（BOBSL）的跨语言方法，他们证明了从口语中进行文本情绪识别可以缓解数据限制。研究还发现，时间段选择和手部动作的引入显著提高了识别准确率，确立了比口语语言模型（LLMs）更强的基线。
-
新框架推动手语生成与评估的进展
研究人员开发了SIGNER，一个用于从文本生成手语的新框架，该框架解决了时间对齐方面的局限性。通过使用时间解析的条件约束和局部时间融合，SIGNER确保了生成手语的正确词汇顺序和语义准确性。此外，还引入了一个名为BackTranslation2.0的新评估指标来评估手语生成，该指标使用了一个基于代理的框架和基于LLM的交叉引用模块，与以往的方法相比，提供了更具语言学基础的评估。