Full metadata record
| DC pole | Hodnota | Jazyk |
|---|---|---|
| dc.contributor.author | Gruber, Ivan | |
| dc.contributor.author | Krňoul, Zdeněk | |
| dc.contributor.author | Hrúz, Marek | |
| dc.contributor.author | Kanis, Jakub | |
| dc.contributor.author | Boháček, Matyáš | |
| dc.date.accessioned | 2022-04-04T10:00:10Z | - |
| dc.date.available | 2022-04-04T10:00:10Z | - |
| dc.date.issued | 2021 | |
| dc.identifier.citation | GRUBER, I. KRŇOUL, Z. HRÚZ, M. KANIS, J. BOHÁČEK, M. Mutual Support of Data Modalities in the Task of Sign Language Recognition. In 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Nashville: IEEE, 2021. s. 3419-3428. ISBN: 978-1-66544-899-4 , ISSN: 2160-7508 | cs |
| dc.identifier.isbn | 978-1-66544-899-4 | |
| dc.identifier.issn | 2160-7508 | |
| dc.identifier.uri | 2-s2.0-85116062397 | |
| dc.identifier.uri | http://hdl.handle.net/11025/47308 | |
| dc.format | 10 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | en | en |
| dc.publisher | IEEE | en |
| dc.relation.ispartofseries | 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) | en |
| dc.rights | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. | cs |
| dc.rights | © IEEE | en |
| dc.subject | rozpoznávání znakového jazyka | cs |
| dc.subject | konvoluční neuronové sítě | cs |
| dc.title | Mutual Support of Data Modalities in the Task of Sign Language Recognition | en |
| dc.title.alternative | Vzájemná podpora datových modalit v úloze rozpoznávání znakového jazyka | cs |
| dc.type | konferenční příspěvek | cs |
| dc.type | ConferenceObject | en |
| dc.rights.access | restrictedAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | This paper presents a method for automatic sign language recognition that was utilized in the CVPR 2021 ChaLearn Challenge (RGB track). Our method is composed of several approaches combined in an ensemble scheme to perform isolated sign-gesture recognition. We combine modalities of video sample frames processed by a 3D ConvNet (I3D), with body-pose information in the form of joint locations processed by a Transformer, hand region images transformed into a semantic space, and linguistically defined locations of hands. Although the individual models perform sub-par (60% to 93% accuracy on validation data), the weighted ensemble results in 95.46% accuracy. | en |
| dc.subject.translated | sign language recognition | en |
| dc.subject.translated | convolutional neural networks | en |
| dc.identifier.doi | 10.1109/CVPRW53098.2021.00381 | |
| dc.type.status | Peer-reviewed | en |
| dc.identifier.document-number | 705890203056 | |
| dc.identifier.obd | 43933806 | |
| dc.project.ID | TN01000024/Národní centrum kompetence - Kybernetika a umělá inteligence - prodloužení | cs |
| dc.project.ID | EF15_003/0000466/Umělá inteligence a uvažování | cs |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference Papers (KKY) Konferenční příspěvky / Conference Papers (KKY) OBD | |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Gruber_Mutual_Support_of_Data_Modalities_in_the_Task_of_Sign_CVPRW_2021_paper.pdf | 554,23 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/47308Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.