计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月26日
]
标题: 连续手语识别的分层子动作树
标题: Hierarchical Sub-action Tree for Continuous Sign Language Recognition
摘要: 连续手语识别(CSLR)旨在将未剪辑的视频转录为词素,这些词素通常是文本单词。 最近的研究表明,由于训练数据不足,缺乏大型数据集和精确注释已成为CSLR的瓶颈。 为了解决这个问题,一些工作开发了跨模态解决方案来对齐视觉和文本模态。 然而,它们通常从词素中提取文本特征,而没有充分利用其知识。 在本文中,我们提出了分层子动作树(HST),称为HST-CSLR,以有效地将词素知识与视觉表示学习结合。 通过从大型语言模型中引入特定于词素的知识,我们的方法更有效地利用了文本信息。 具体来说,我们构建了一个HST用于文本信息表示,逐步对齐视觉和文本模态,并从树结构中受益以减少计算复杂性。 此外,我们施加了对比对齐增强以弥合两种模态之间的差距。 在四个数据集(PHOENIX-2014,PHOENIX-2014T,CSL-Daily和手语手势)上的实验证明了我们HST-CSLR的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.