مقارنة بين طرق العينة الصغيرة لتمييز الشكل اليدوي

أنظمة الترجمة التلقائية لغة الإشارة (SLT) يمكن أن تكون موردًا كبيرًا لتحسين التواصل داخل المجتمعات الصماء وبينها. في الوقت الراهن، تكمن المشكلة الرئيسية التي تمنع تطوير نماذج ترجمة فعالة في قلة توفر البيانات المُعلَّمة، مما يعيق استخدام النماذج العميقة الحديثة.إن مشكلة الترجمة لغة الإشارة هي مشكلة معقدة تتضمن العديد من المهام الفرعية، من أبرزها تمييز شكل اليد. قمنا بمقارنة سلسلة من النماذج المصممة خصيصًا للبيانات الصغيرة بهدف تحسين أدائها في مهام تمييز شكل اليد. وقد قُمنا بتقييم نموذج Wide-DenseNet ونموذج الشبكة البروتوتيبية القائمة على التعلم القليل، مع وبدون التعلم المنقول، وكذلك باستخدام منهج التعلم التكيفي المستقل عن النموذج (MAML).أظهرت نتائجنا أن Wide-DenseNet دون استخدام التعلم المنقول، ونموذج الشبكة البروتوتيبية مع التعلم المنقول، يقدمان أفضل النتائج. وتميّزت الشبكات البروتوتيبية بشكل كبير عند استخدام أقل من 30 عينة، في حين حقق Wide-DenseNet أفضل الأداء عند توفر عدد أكبر من العينات. من ناحية أخرى، لم يُسهم MAML في تحسين الأداء في أي من السيناريوهات. يمكن أن تساعد هذه النتائج في تصميم نماذج SLT أكثر كفاءة.