header
Image from OpenLibrary

Sign Language Translation using Deep Nets / Mohamed Mohamed Fathi Amin ؛ Prof. Ammar Mohammed، Prof. Hesham A. Hefny.

By: Contributor(s): Material type: TextTextPublication details: 2022.Content type:
  • text
Media type:
  • Unmediated
Carrier type:
  • volume
Other title:
  • ترجمة لغة اإلاشارة بإستخدام الشبكات العميقة
Subject(s): DDC classification:
  • 004
Dissertation note: Thesis (M.Sc.)-Cairo University,2022. Summary: 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٪
Tags from this library: No tags from this library for this title. Log in to add tags.
Star ratings
    Average rating: 0.0 (0 votes)
Holdings
Item type Current library Home library Call number Status Barcode
Thesis Thesis قاعة الرسائل الجامعية - الدور الاول المكتبة المركزبة الجديدة - جامعة القاهرة Cai01.18.02.M.Sc.2022.Mo.S (Browse shelf(Opens below)) Not for loan 01010110086945000

Thesis (M.Sc.)-Cairo University,2022.

Bibliography: p. 66-71.

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٪

There are no comments on this title.

to post a comment.