Une comparaison des méthodes basées sur de petits échantillons pour la reconnaissance de la forme de la main

Les systèmes de traduction automatique de la langue des signes (SLT) peuvent constituer un atout majeur pour améliorer la communication au sein des communautés sourdes ainsi qu’avec elles. Actuellement, le principal obstacle à la mise en œuvre de modèles de traduction efficaces réside dans la faible disponibilité des données étiquetées, ce qui limite l’utilisation des modèles modernes basés sur l’apprentissage profond.La SLT est un problème complexe impliquant de nombreuses tâches secondaires, dont la reconnaissance de la forme de la main est la plus critique. Nous comparons une série de modèles spécifiquement adaptés aux petits jeux de données afin d’améliorer leurs performances sur la tâche de reconnaissance de la forme de la main. Nous évaluons les modèles Wide-DenseNet et Prototypical Network, avec et sans apprentissage par transfert, ainsi que l’approche Model-Agnostic Meta-Learning (MAML).Nos résultats indiquent que Wide-DenseNet sans apprentissage par transfert et les réseaux Prototypiques avec apprentissage par transfert offrent les meilleurs résultats. En particulier, les réseaux Prototypiques se révèlent nettement supérieurs lorsqu’on dispose de moins de 30 échantillons, tandis que Wide-DenseNet atteint les meilleures performances avec un plus grand nombre d’échantillons. En revanche, MAML n’améliore pas la performance dans aucune des configurations testées. Ces résultats peuvent guider la conception de modèles SLT plus efficaces.