في عالم التكنولوجيا الحديثة، تبرز لغة الإشارة كوسيلة أساسية للتواصل بين الأشخاص ضعاف السمع. لكن، إحدى أبرز التحديات التي تواجهها هي تقسيم إشارات اللغة بشكل دقيق من تسلسلات مستمرة. تكمن أهمية هذا البحث في تصميم نموذج مبتكر يتغلب على تلك التحديات.

المشروع قدم مقاربة جديدة تعتمد على بنية Transformer، التي تُعتبر من أحدث التقنيات في مجال التعلم العميق. يقوم النموذج بإدارة الديناميات الزمنية لعملية الإشارة، حيث يتم إطاره في شكل مشكلة تصنيف تسلسلي باستخدام مخطط تصنيف Begin-In-Out (BIO)، ما يضمن تقسيم كل إشارة بشكل دقيق ضمن سياقها.

لتحسين أداء النموذج، تم استخدام ميزات يد HaMeR، مع الاستناد إلى زوايا ثلاثية الأبعاد (3D Angles)، مما يضيف بعدًا جديدًا في تحليل الإشارات.

تجارب متعددة أكدت أن هذا النموذج يقدم نتائج متفوقة على مجموعة بيانات DGS، ويتجاوز المعايير السابقة على BSLCorpus. ولذلك، يمكن أن يكون لهذا البحث تأثير كبير على تحسين الترجمة الآلية للغات الإشارة، مما يفتح آفاق جديدة للشمولية في هذا المجال.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.