في ظل التحديات الكبيرة التي تواجه تقنية التعرف على لغة الإشارة من خلال مقاطع الفيديو أحادية الكاميرا أو تسلسل الحركات الثنائية الأبعاد، والتي تتطلب استنتاج المعلومات ثلاثية الأبعاد من مشاهد ثنائية، تصبح المهمة أكثر تعقيدًا بفعل الطبيعة الزمانية والمكانية للإشارات. إضافةً إلى ذلك، فإن التنوع المتزايد في مفردات الإشارات في سياقات الإنتاج يجعل من غير العملي استخدام التصنيفات المغلقة التقليدية، حيث تتطلب إضافة أي فئة جديدة بيانات مرجعية جديدة وإعادة تدريب النموذج.

تظهر الأبحاث الأخيرة نموذجًا مبتكرًا يعتمد على التعلم التبايني (Contrastive Learning) باستخدام تقنيات التحويل (Transformer) والذي يتعلم تمثيلات غنية لتتابعات نقاط الجسم، مما يمكّن النموذج من إجراء مقارنات مباشرة بين متجهات التضمين (Embedding Vectors). هذا النموذج يدعم مهام التعرف مثل التعرف على الإشارات التي لم تتم مشاهدتها خلال فترة التدريب، مما يجعله مرنًا للغاية.

على مجموعة بيانات LSA64، تمكن النموذج من تحقيق دقة تصل إلى 88.4% مع 48 فئة فقط من بيانات التعلم، مستخدمًا 16 فئة محجوزة بـ 8 أمثلة مرجعية فقط لكل فئة. والأهم من ذلك، أن دقته تتحسن باستمرار مع زيادة عدد فئات التدريب وأمثلة الدعم.

هذا الابتكار يعد خطوة كبيرة نحو تحسين تقنيات التعرف على الإشارات، مما يسهل الاستخدام العملي لتكنولوجيا التعرف على لغة الإشارة في مجموعة متنوعة من التطبيقات. كيف تجدون هذا التطور؟ شاركونا آرائكم في التعليقات!