header

Sign Language Translation using Deep Nets / (Record no. 164852)

MARC details
000 -LEADER
fixed length control field 05078nam a2200277Ia 4500
008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION
fixed length control field 231030s9999 xx 000 0 und d
049 ## - LOCAL HOLDINGS (OCLC)
Holding library Deposit
082 ## - DEWEY DECIMAL CLASSIFICATION NUMBER
Classification number 004
097 ## - Thesis Degree
Thesis Level M.Sc
099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC)
Classification number Cai01.18.02.M.Sc.2022.Mo.S
100 ## - MAIN ENTRY--PERSONAL NAME
Personal name By Mohamed Mohamed Fathi Amin,
245 ## - TITLE STATEMENT
Title Sign Language Translation using Deep Nets /
Statement of responsibility, etc. Mohamed Mohamed Fathi Amin ؛ Prof. Ammar Mohammed، Prof. Hesham A. Hefny.
246 ## - VARYING FORM OF TITLE
Title proper/short title ترجمة لغة اإلاشارة بإستخدام الشبكات العميقة
260 ## - PUBLICATION, DISTRIBUTION, ETC.
Date of publication, distribution, etc. 2022.
336 ## - CONTENT TYPE
Source rda content
Content type term text
337 ## - MEDIA TYPE
Source rdamedia
Media type term Unmediated
338 ## - CARRIER TYPE
Source rdacarrier
Carrier type term volume
502 ## - DISSERTATION NOTE
Dissertation note Thesis (M.Sc.)-Cairo University,2022.
504 ## - BIBLIOGRAPHY, ETC. NOTE
Bibliography, etc. note Bibliography: p. 66-71.
520 ## - SUMMARY, ETC.
Summary, etc. من أحدث التطورات في مجال التعلم اآللي ترجمة لغة اإلشارة إلى شكل من أشكال اللغة الطبيعية. كان تقسيم لغة اإلشارة إلى اإليماءات والتعرف على الوجه مجااال رئيسايا للبحث. ومع ذلك ، فإن هذه الجهود تتجاهل البنية اللغوية وسياق الجمل الطبيعية. من أجل سد هذه الفجوة ، تم استخدام األساليب التقليدية بما في ذلك األساليب اإلحصائية والقائمة على القواعد واألمثلة في ترجمة لغة اإلشارة. تستغرق هذه األساليب وقتاا طويالا ، وتتميز بجودة ترجمة رديئة ، وقدرات توسيع محدودة في نماذجها األساسية. أظهرت الترجمة اآللية مؤخ ارا أدا للشبكات العصبية العميقة. نظ ارا ألن لغة اإلشارة يتم التعبير اء مهاما عنها على أنها رموز Gloss ، فقد اقترح عدد قليل من الباحثين استخدام الشبكات العصبية العميقة لترجمة لغة اإلشارة إلى األطروحة ذات شقين. أوالا لغات نصية طبيعية. ومع ذلك ، فإن هذه الجهود تتجاهل االتجاه اآلخر للترجمة. مساهمة هذه ، يقترح نهج التعلم العميق للترجمة ثنائية االتجاه. على وجه الخصوص ، تقدم األطروحة نموذجين للتعلم العميق باستخدام GRU و LSTM لكل اتجاه من اتجاهات الترجمة. في كل من النماذج المقترحة ، يتم استخدام آليات االنتباه الخاصة بـ Bahdanau و Luong. ثانايا ، تختبر الرسالة النماذج المقترحة باستخدام لغة اإلشارة 12PC-ASLG و -Phoenix T.2014 توضح التجربة مع 16 نموذ اجا أن النموذج المقترح يعمل بشكل أفضل من الدراسات السابقة األخرى باستخدام GRU و LSTM على نفس المجموعة. تُظهر نتائج الترجمة من النص إلى gloss باستخدام مجموعة 12PC-ASLG باستخدام نموذج sequence-to-sequence أن نموذج GRU مع attention Bahdanau يحقق أفضل النتائج ، حيث سجل 94.3 ٪ على ROUGE و ٪83.98 على -4BLEU. يعطي نموذج GRU مع attention Bahdanau أي اضا أفضل النتائج عند الترجمة من gloss إلى النص ، ب درجات ROUGE تبلغ ٪87.31 و -4BLEU تبلغ .٪66.59 تظهر النتائج على مجموعة 12PC-ASLG باستخدام نموذج Transformer ، عند الترجمة من النص إلى gloss ، أن النموذج ذو الطبقتين يعطي أفضل ب نتيجة 98.78٪ ROUGE و -4BLEU درجة .٪96.89 وعند الترجمة من gloss إلى النص ، تُظهر النتائج أي اضا أن النموذج ذو الطبقتين يحقق أفضل نتيجة ب 96.90٪ ROUGE و -4BLEU اإلداره العامه جامعه القــــــــاهره للدراسات العليا والبحوث .84.82٪ تظهر نتائج ترجمة النص إلى gloss في مجموعة T-2014Phoenix أن نموذج GRU مع attention Bahdanau يحقق أفضل النتائج في ROUGE و 4BLEU ب درجات ٪42.96 و ٪10.53 على التوالي. وعند الترجمة من gloss إلى النص ، يحقق نموذج GRU مع attention Luong أفضل نتيجة ب ROUGE بنسبة ٪45.69 و 4BLEU بدرجة .٪19.56 تظهر النتائج على مجموعة T-2014Phoenix باستخدام نموذج Transformer ، عند الترجمة من النص إلى gloss ، أن النموذج ذو الطبقتين يعطي أفضل نتيجة ب 48.80٪ ROUGE و -4BLEU درجة .٪15.78 عند الترجمة من gloss إلى النص ، تُظهر النتائج أي اضا أن النموذج ذي الطبقتين يحقق أفضل نتيجة ب .BLEU-4 25.29٪ و ROUGE 49.33٪
650 ## - SUBJECT ADDED ENTRY--TOPICAL TERM
Topical term or geographic name entry element neural machine translation
653 ## - INDEX TERM--UNCONTROLLED
Uncontrolled term sign language
700 ## - ADDED ENTRY--PERSONAL NAME
Personal name Hesham A. Hefny
905 ## - LOCAL DATA ELEMENT E, LDE (RLIN)
Cataloger Mohamady
942 ## - ADDED ENTRY ELEMENTS (KOHA)
Koha item type Thesis
Source of classification or shelving scheme Dewey Decimal Classification
Holdings
Source of classification or shelving scheme Not for loan Home library Current library Date acquired Full call number Barcode Date last seen Koha item type
Dewey Decimal Classification   المكتبة المركزبة الجديدة - جامعة القاهرة قاعة الرسائل الجامعية - الدور الاول 11.02.2024 Cai01.18.02.M.Sc.2022.Mo.S 01010110086945000 30.10.2023 Thesis