要約
本研究の目的は、連続手話認識（Continuous Sign Language Recognition, CSLR）において、空間的特徴および動的特徴を効果的に抽出することである。これを達成するため、各パスが異なる時間解像度で動作する二パス構造のSlowFastネットワークを活用し、空間的特徴（手の形状、顔の表情など）と動的特徴（動きなど）を別々に捉える。さらに、CSLRの特性に応じて丁寧に設計された2種類の特徴統合手法を導入している。その1つは、動的意味情報と空間的意味情報の相互伝達を促進する「双方向特徴統合（Bi-directional Feature Fusion, BFF）」であり、もう1つは補助サブネットワークを用いて動的および空間的表現を豊かにしながら、追加の推論時間の増加を回避する「パス特徴強化（Pathway Feature Enhancement, PFE）」である。この結果、本モデルは空間的および動的表現を並列的に強化することができる。実験により、提案フレームワークがPHOENIX14、PHOENIX14-T、CSL-Dailyといった代表的なCSLRデータセットにおいて、現在の最先端手法を上回る性能を達成することを示した。