Indian Sign Language Recognition Using CNN-LSTM Architecture for Enhanced Gesture Prediction

Dieses Kapitel untersucht die Entwicklung eines CNN-Attention-LSTM-Modells zur Erkennung indischer Zeichensprache (ISL), wobei der Schwerpunkt auf der Extraktion räumlicher und zeitlicher Merkmale aus Videodaten liegt. Das Modell kombiniert Convolutional Neural Networks (CNNs) zur räumlichen Merkmalsextraktion und Long Short-Term Memory (LSTM) -Netzwerke mit einem Aufmerksamkeitsmechanismus zur zeitlichen Sequenzanalyse. Zu den Schlüsselthemen zählen Datenvorverarbeitung, Modellarchitektur, Schulung und Optimierung sowie Leistungsbewertung. Die Ergebnisse zeigen, dass das vorgeschlagene Modell eine hohe Genauigkeit erreicht und eigenständige CNN- und LSTM-Architekturen übertrifft. In diesem Kapitel werden auch die möglichen Anwendungsmöglichkeiten des Modells in realen Szenarien diskutiert, wie etwa im Bildungsbereich und bei der Kommunikation am Arbeitsplatz für Hörgeschädigte. Darüber hinaus werden zukünftige Forschungsrichtungen aufgezeigt, darunter die Integration der Gesichtserkennung und die Optimierung des Modells für den Einsatz in Echtzeit.