چكيده فارسي :
امروزه بخشي از افراد جامعه ناشنوا بوده و يا داراي اختالل گفتار مي باشند و ارتباط آنها با ديگران دشوار مي باشد. روشهاي تشخ يص زبان اشاره سعي كرده تا اين مشكل را رفع نموده و بتواند اين ارتباط را فراهم و آسان نمايد. با توجه به اينكه هر كشور دارا ي زبان اشاره مختص به خود است ، دقت تشخ يص زبان اشاره براي هر كدام متفاوت مي باشد. همچن ين با توجه به اينكه در روشهاي جديد سعي شده تا با پردازش تصوير و استخراج ويژگيهاي آن بتوان زبان اشاره را تشخيص داد بنابراين ممكن است به دليل شرايط نوري و رنگ پوست و رنگ پس زم ينه دقت تشخيص آن كاهش پيدا كند. در اين مقاله سعي شده است تا مقايسها ي روي روشهاي تشخ يص زبان اشاره مبتن ي بر يادگيري عم يق انجام شود و دقت تشخي ص برا ي زبانهاي اشاره مختلف از جمله زبان اشاره آمريكايي و هند ي و چيني در شرايط مختلف بررسي شود. روشهاي تشخيص زبان اشاره مبتني بر يادگيري عميق به شبكه عصبي پ يچشي(CNN)مدل اصالح شده حافظه ي كوتاه مدت طوالني(LSTM)شبكه هاي توجه عميق مدل سازي شده ( M2DA- Net )شبكه عصبي پيچش ي سه بعدي ( 3DCNN) و مدل شبكه عصبي پيچشي هندسي (CNN-G)دسته بندي شده اند. روش ها از جنبه دقت و زمان تشخ يص مقايسه شدهاند و در نتيجه مشخص شد كه روش شبكه عصبي پ يچشي سه بعدي عملكرد بهتر ي دارد. همچن ين مزايا و معايب روشهاي مختلف همراه با چالش ها در تشخ يص زبان اشاره مشخص شد.
چكيده لاتين :
Nowadays, some of the people in the society are deaf or have a speech disorder and it is challenging for them to communicate with others.Sign language recognition methods have tried to address this issue and make this communication easy.Considering that each country has its own sign language, the accuracy of sign language recognition is various for each one.Additionally, in new approaches, efforts have been made to use image processing and feature extraction to recognize sign language. However, due to lighting conditions, skin tone, and background color, the accuracy of recognition might be reduced. This article aims to provide a comparison of deep learning-based sign language recognition methods and assess their accuracy for various sign languages, including American Sign Language, Indian Sign Language, and Chinese Sign Language, under different conditions. The methods considered for sign language recognition include Convolutional Neural Networks (CNN), Modified Long Short-Term Memory models (LSTM), Modified Deep Attention Networks (M2DA-Net), 3D Convolutional Neural Networks (3DCNN), and Geometric CNN (G-CNN). The methods have been compared in terms of accuracy and detection time, and as a result, it was found that the 3D convolutional neural network method has a better performance. Furthermore, the advantages and disadvantages of different methods are discussed, along with the challenges in sign language recognition.