Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.20947

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.20947 (cs)
[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

Authors:Dejie Yang, Zhu Xu, Xinjie Gao, Yang Liu
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。
摘要: Continuous sign language recognition (CSLR) aims to transcribe untrimmed videos into glosses, which are typically textual words. Recent studies indicate that the lack of large datasets and precise annotations has become a bottleneck for CSLR due to insufficient training data. To address this, some works have developed cross-modal solutions to align visual and textual modalities. However, they typically extract textual features from glosses without fully utilizing their knowledge. In this paper, we propose the Hierarchical Sub-action Tree (HST), termed HST-CSLR, to efficiently combine gloss knowledge with visual representation learning. By incorporating gloss-specific knowledge from large language models, our approach leverages textual information more effectively. Specifically, we construct an HST for textual information representation, aligning visual and textual modalities step-by-step and benefiting from the tree structure to reduce computational complexity. Additionally, we impose a contrastive alignment enhancement to bridge the gap between the two modalities. Experiments on four datasets (PHOENIX-2014, PHOENIX-2014T, CSL-Daily, and Sign Language Gesture) demonstrate the effectiveness of our HST-CSLR.
主题: 计算机视觉与模式识别 (cs.CV) ; 多媒体 (cs.MM)
引用方式: arXiv:2506.20947 [cs.CV]
  (或者 arXiv:2506.20947v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.20947
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Dejie Yang [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 02:27:50 UTC (671 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs.CV
cs.MM

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号