Developing arabic sign language recognition system
Developing arabic sign language recognition system
- Tez No: 973786
- Danışmanlar: YRD. DOÇ. DR. FARİS SERDAR TAŞEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, hem geleneksel makine öğrenimi hem de derin öğrenme tekniklerini kullanarak Arap İşaret Dili (ArSL) tanımlaması için eksiksiz bir çözüm önermektedir. 31 sınıfı kapsayan 7.857 ArSL resminden oluşan bir veri kümesinde, geleneksel sınıflandırıcıları (SVM, Random Forest) kullanarak çeşitli özellik çıkarma yöntemlerini (HOG, SIFT, SURF, LBP) derin öğrenme modelleri CNN, MobileNet+Transformer ile karşılaştırdık. Araştırmalarımız, SVM-RBF ile HOG özelliklerinin diğer çıkarma tekniklerinden SIFT, SURF ve buna bağlı olarak büyük ölçüde daha iyi performans gösterdiğini buldu. Bu, uygun özellik mühendisliğinin geleneksel model performansını ne kadar önemli ölçüde artırabileceğini göstermektedir. Google Colab'ın donanım kısıtlamaları olmasına rağmen, MobileNet+Transformer modelimiz yalnızca 20 epoch'un ardından %76 doğruluk elde etti ve şaşırtıcı bir şekilde 100 epoch'un daha uzun bir eğitimden sonra %98'e ulaştı. Amerikan (%99,22), İrlanda (%99'dan fazla) ve Alman (%97,5) gibi çeşitli işaret dilleri için performansı son teknoloji sistemleri geride bırakıyor. Bellek sınırlarının ötesine geçmek için diğer teknolojik ince ayarlar arasında etkin bellek yönetimi, çözünürlük ölçekleme ve toplu boyut azaltma kullandık. Sonuçlarımız, derin öğrenme modellerinin hiyerarşik gösterimleri otomatik olarak öğrendiğini, dolayısıyla olay içinde bile insan mühendisliğini ortadan kaldırdığını, geleneksel yaklaşımların karmaşık özellik çıkarımına ihtiyaç duyduğunu göstermektedir. Bu çalışma, ArSL tanıma konusunda içgörülü bir analiz sunar ve uygun yaklaşımlarla, kısıtlı işlem kapasitesiyle bile uluslararası standartlarla aynı seviyede performansın mümkün olduğunu gösterir.
Özet (Çeviri)
This work proposes a complete solution for Arabic Sign Language (ArSL) identification using both conventional machine learning, and deep learning techniques. on a dataset regarding 7,857 ArSL pictures covering 31 classes, we assessed several feature extraction methods (HOG, SIFT, SURF, LBP) using conventional classifiers (SVM, Random Forest) versus deep learning models CNN, MobileNet+Transformer. with SVM-RBF, our investigations found, that HOG features greatly outperformed other extraction techniques, SIFT, SURF, and correspondingly. this shows how well appropriate feature engineering may significantly enhance conventional model performance. Although Google Colab has hardware restrictions, our MobileNet+Transformer model attained 76% accuracy subsequent to only 20 epochs, and astonishingly reached 98% subsequent to longer training to 100 epochs. for various sign languages as American (99.22%), Irish (>99%), and German (97.5%), its performance beats state-of- the-modern systems. We used active memory management, resolution scaling, and batch size reduction among other technological tweaks to go beyond memory limits. Our results demonstrate, that deep learning models automatically learn hierarchical representations, hence removing human engineering even within the event, that conventional approaches need complex feature extraction. This work provides insightful analysis regarding ArSL recognition, and shows that, with suitable approaches, performance on par with international standards happens to be possible even with constrained processing capacity.
Benzer Tezler
- Türkçeleşmiş Arapça ifadelerden yararlanarak Türklere Arapça öğretiminin geliştirilmesi
Developing the teaching of the Arabic language am ong the Turks by taking advantage of linguistic borrowing
MANAR HOURIEH
Doktora
Türkçe
2022
DilbilimÇukurova ÜniversitesiTemel İslam Bilimleri Ana Bilim Dalı
PROF. DR. MUSA ALP
- Yaratıcı yazılı anlatım becerisi ve Türk öğrencilerinin Arapça eğitimindeki etkisi
Developing the skill of creative written expression and its role in teaching Arabic language to Turkish students
KARIMA ABUBAKER.S. ABDULHAFID
Yüksek Lisans
Arapça
2017
Eğitim ve ÖğretimGazi ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. CELAL TURGUT KOÇ
- Arapçayı ana dili olarak konuşmayanlar için orta seviye konuşma becerisini geliştirmeye yönelik bir program önerisi
A program proposal aimed at developing intermediate-level speaking skills for non native speakers of Arabic
SHIMAA ELHIMDIAT
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimFatih Sultan Mehmet Vakıf ÜniversitesiArap Dili Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MARİAM TEKELİ
- أهمية اللغة العربية عند العثمانيين ودور العثمانيين في تطوير اللغة العربية
Osmanlıların Arap diline verdiği önem ve Arapçanın gelişmesindeki rolü / The importance of the Arabic language to the Ottomans and the role of the Ottomans in developing the Arabic language
RAZAN ŞAHİN
Yüksek Lisans
Arapça
2023
Eğitim ve Öğretimİstanbul Aydın ÜniversitesiArap Dili Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ALTUN