Development of Visual Data Processing Algorithm for the Sign Language Recognition System Based on CBFT-BiLSTM

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/ubmk67458.2025.11206904
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This paper presents the development of a visual data processing algorithm for a real-time Kazakh Sign Language (KazSL) recognition system using the CBFT-BiLSTM model. The system leverages multimodal vision language models, specifically CLIP and BERT, to generate semantic embeddings for both video and text. A projection module is proposed to align these embeddings into a shared semantic space, enabling accurate matching using cosine similarity. A fine-tuned BiLSTM classifier is used to recognize the sentence class. The model is evaluated on two KazSL datasets (KRSL20 and QazSL) and achieves high accuracy (94,98% and 76%) with low confusion rates between similar signs. The system operates effectively in real-time with an average latency of less than 100 milliseconds per sentence. The proposed method demonstrates the potential of adapting vision language models for low-resource languages.