Resumen
Las personas que padecen trastornos lingüísticos mixtos tienen grandes dificultades, ya que sólo disponen de un medio
para la comunicación interpretativa, el lenguaje de signos. Un gran reto es reconocer eficientemente estos gestos estáticos
gestos estáticos en entornos reales, por ello, la presente investigación presenta un modelo de red neuronal convolucional
que permite reconocer y clasificar la Lengua de Señas Peruana (LSE) con un conjunto de datos de 3025
fotogramas a través de 4 etapas: a ) Generación de un conjunto de datos que involucra 11 componentes gestuales por fotograma,
que involucran características invariantes, parámetros de signos y espacio gestual, lo que permite una mayor
generalización del modelo en comparación con muestras de otras investigaciones b) Preprocesamiento de imágenes mediante
la aplicación de técnicas y algoritmos de visión por computador, c) Aplicación de una arquitectura de modelo de red neuronal convolucional
convolucional (CNN) y d) Ejecución del modelo en una plataforma web para facilitar la
pruebas del modelo. El modelo CNN propuesto obtuvo una tasa de precisión del 99% en el entrenamiento, 88% en la validación y
84% en el reconocimiento de PSL en la fase de prueba. El modelo actual está mejor preparado para reconocer
estáticos del PSL en escenarios reales.
para la comunicación interpretativa, el lenguaje de signos. Un gran reto es reconocer eficientemente estos gestos estáticos
gestos estáticos en entornos reales, por ello, la presente investigación presenta un modelo de red neuronal convolucional
que permite reconocer y clasificar la Lengua de Señas Peruana (LSE) con un conjunto de datos de 3025
fotogramas a través de 4 etapas: a ) Generación de un conjunto de datos que involucra 11 componentes gestuales por fotograma,
que involucran características invariantes, parámetros de signos y espacio gestual, lo que permite una mayor
generalización del modelo en comparación con muestras de otras investigaciones b) Preprocesamiento de imágenes mediante
la aplicación de técnicas y algoritmos de visión por computador, c) Aplicación de una arquitectura de modelo de red neuronal convolucional
convolucional (CNN) y d) Ejecución del modelo en una plataforma web para facilitar la
pruebas del modelo. El modelo CNN propuesto obtuvo una tasa de precisión del 99% en el entrenamiento, 88% en la validación y
84% en el reconocimiento de PSL en la fase de prueba. El modelo actual está mejor preparado para reconocer
estáticos del PSL en escenarios reales.
| Título traducido de la contribución | Clasificador estático de la lengua de signos peruana basado en la ortografía manual mediante una red neuronal convolucional |
|---|---|
| Idioma original | Inglés estadounidense |
| Título de la publicación alojada | Static Peruvian Sign Language Classifier Based on Manual Spelling Using a Convolutional Neural Network |
| Editores | Hector Cardona, Miguel Ortiz |
| Lugar de publicación | Alemania |
| Editorial | CEUR-WS |
| Volumen | 3693 |
| ISBN (versión digital) | 16130073 |
| Estado | Indizado - 15 jun. 2024 |
| Evento | 2023 International Conference on Systems Engineering, JINIS 2023 - Arequipa, Perú Duración: 3 oct. 2023 → 5 oct. 2023 |
Conferencia
| Conferencia | 2023 International Conference on Systems Engineering, JINIS 2023 |
|---|---|
| País/Territorio | Perú |
| Ciudad | Arequipa |
| Período | 3/10/23 → 5/10/23 |
Palabras clave
- Peruvian Sign Languages
- Convolutional Neural Network
- Fingerspelling
ODS de las Naciones Unidas
Este resultado contribuye a los siguientes Objetivos de Desarrollo Sostenible
