Sign language classification system
İşaret dili sınıflandırma sistemi
- Tez No: 892619
- Danışmanlar: PROF. DR. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: El Hareketleri, İşaret Dili Sistemi, OpenCV, Sınıflandırma, Hand Gestures, Sign Language System, OpenCV, Classification
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 68
Özet
İşaret dili, işitme güçlüğü çeken kişiler ve işitme engelliler topluluğu için el hareketleriyle ifadeleri, duyguları, bilgileri ve beden dilini ileten kişiler için çok popüler bir iletişim yöntemidir. İşaret dilinin yüksek önemine ve sosyal önemine rağmen, işaret dili çeviri sisteminin tam olarak uygulanması hala bir zorluktur ve kullanıcılar ve sağır topluluk için erişilebilirliği sınırlamaktadır. Makine öğrenimi teknolojisi ve bilgisayarlı görme algoritmalarındaki son gelişmeler, işaret dili sınıflandırma sistemlerini geliştirmek ve geliştirmek için yeni olanaklar yarattı. Bu tez, işaret dili hareketlerini tanıyabilen ve sınıflandırabilen, daha iyi algoritmalar ve teknikler oluşturabilen ve böylece modelin doğruluğunu ve kullanılabilirliğini geliştirebilen makine öğrenimi modellerinin geliştirilmesini içermektedir. Bu araştırma, sağır topluluk için iletişimin ilerlemesine katkıda bulunmak amacıyla mevcut sınırlamaları ve zorlukları azaltmayı amaçlamaktadır. Ana amaç, mevcut işaret dili sınıflandırma sistemlerinin, yöntemlerinin, algoritmalarının ve teknolojilerinin kapsamlı bir incelemesini içerir. Rastgele Orman Sınıflandırıcılarını kullanarak daha iyi performansa sahip bir sınıflandırma modeli geliştirmek, modelin doğruluğunu ve güvenilirliğini farklı veri kümeleri üzerinden değerlendirmek. Birçok işaret hareketi arasındaki benzerlikler ve farklı veri kümelerine olan ihtiyaç gibi zorluklara, veri artırma ve modelin optimizasyonu gibi yenilikçi tekniklerle ulaşılır. Rastgele Orman sınıflandırıcısı, yüksek boyutlu verileri işleme konusundaki yüksek yeteneğiyle bilinir ve özellikle bu zorluk için iyi bir seçimdir. Aşırı uyum tehlikesini azaltmak ve model için görünmeyen verilerin genelleştirilmesini daha iyi geliştirmek için birden fazla karar ağacını birleştirir. Bu yaklaşım, modelin işaret dilindeki karmaşık el hareketlerini verimli bir şekilde işlemesine olanak tanır.
Özet (Çeviri)
Sign language is a very popular method of communication for people who have hard hearing issues and for the deaf community, people who deliver expressions, emotions, information, and body language through hand gestures. Despite the high importance and social significance of sign language, a full application for sign language translation system is still a challenge, limiting accessibility for its users and for the deaf community. Recent improvements in machine learning technology and computer vision algorithms have created new possibilities to enhance and improve sign language classification systems. This thesis goes through the development of machine learning models which are able to recognize and classify sign language gestures, to build better algorithms and techniques so that it improves the accuracy and usability of the model. This research aims to reduce the current limitations and challenges to contribute to the advancement of communication for the deaf community. The main objective includes a comprehensive review of existing sign language classification systems, methods, algorithms, and technologies. To develop a better performance classification model using Random Forest Classifiers, to evaluate the model's accuracy and reliability through different datasets. Challenges such as the similarities between many sign gestures and the need for diverse datasets are reached by innovative techniques such as data augmentation and optimization of the model. Random Forest classifier is very known for its high ability to handle high dimensional data, and specially a good choice for this challenge. It combines multiple decision trees to reduce the threat of overfitting and to better enhance the generalization of unseen data for the model. This approach allows the model to efficiently process complex hand gestures in sign language.
Benzer Tezler
- Isolated sign language classification using hand descriptors and trajectory based methods
El betimleyicileri ve gezinge tabanlı yöntemler kullanarak yalıtılmış işaret dili sınıflandırma
OĞULCAN ÖZDEMİR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. LALE AKARUN ERSOY
- Yinelemeli sinir ağları ile işaret dili tanıma
Sign language recognition with recurrent neural networks
İBRAHİM ÇETİNKAYA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- İşaret dilinin bilgisayarlı yorumlanması
Computer-based sign language interpretation
SELDA BAYRAK
Yüksek Lisans
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VASİF V. NABİYEV
- A low cost learning based sign language recognition system
Düşük hesap karmaşıklığına sahip öğrenme tabanlı işaret dili tanıma sistemi
ABDULLAH HAKAN AKIŞ
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE BOZDAĞI AKAR
- Türk işaret dili alfabesinin derin öğrenme yöntemi ile sınıflandırılması
Classification of turkish sign language alphabet with deep learning method
ZEREN BERNA KIN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMİT ERDEM