Information system for translation into ukrainian sign language on mobile devices

Davydov, M.; Lozynska, Olga

doi:10.1109/stc-csit.2017.8098734

Cited by 25 publications

(11 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sign language translation systems can either use predefined intermediary representations of the languages involved, or learn their own representations (which may not be humanunderstandable). Methods that use predefined representations are highly compatible with grammatical translation rules (e.g., [32,125,37,116]). Methods that do not use such representations typically use some form of deep learning or neural networks, which learn model features (i.e.…”

Section: Recognition and Computer Visionmentioning

confidence: 99%

Sign Language Recognition, Generation, and Translation

Bragg

Koller

Bellard

et al. 2019

The 21st International ACM SIGACCESS Conference on Computers and Accessibility

266

130

View full text Add to dashboard Cite

Developing successful sign language recognition, generation, and translation systems requires expertise in a wide range of fields, including computer vision, computer graphics, natural language processing, human-computer interaction, linguistics, and Deaf culture. Despite the need for deep interdisciplinary knowledge, existing research occurs in separate disciplinary silos, and tackles separate portions of the sign language processing pipeline. This leads to three key questions: 1) What does an interdisciplinary view of the current landscape reveal? 2) What are the biggest challenges facing the field? and 3) What are the calls to action for people working in the field? To help answer these questions, we brought together a diverse group of experts for a two-day workshop. This paper presents the results of that interdisciplinary workshop, providing key background that is often overlooked by computer scientists, a review of the state-of-the-art, a set of pressing challenges, and a call to action for the research community.Each group focused on the following questions:

show abstract

Section: Recognition and Computer Visionmentioning

confidence: 99%

Sign Language Recognition, Generation, and Translation

Bragg

Koller

Bellard

et al. 2019

The 21st International ACM SIGACCESS Conference on Computers and Accessibility

266

130

View full text Add to dashboard Cite

show abstract

“…Metrics for a collection of content, sorted by relevance, take into consideration not only the fact of the presence of content in the list of that found, but its position in the collection [62].…”

Section: Accuracy a D A B C Dmentioning

confidence: 99%

Design of the architecture of an intelligent system for distributing commercial content in the internet space based on SEO-technologies, neural networks, and Machine Learning

Lytvyn

Vysotska

Демчук³

et al. 2019

EEJET

View full text Add to dashboard Cite

“…-Lack of stability. The scatter of parameter values for the texts of the same author is so large that the ranges of possible values for different authors intersect [99]. Obviously, this parameter will not help distinguish between the authors, and when used as a part of the parameter group, will only play the role of additional information noise [100].…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Development of the quantitative method for automated text content authorship attribution based on the statistical analysis of N-grams distribution

Lytvyn

Vysotska

Budz

et al. 2019

EEJET

View full text Add to dashboard Cite

Розглянуто особливостi застосування технологiй лiнгвостатистики для iдентифiкацiї стилiстики автора текстового контенту науково-технiчного профiлю. Квантитативний лiнгвiстичний аналiз тексту використовує переваги контент-монiторiнгу на основi методiв NLP для визначення та аналiзу множини стопових слiв, ключових слiв, стiйких словосполучень та дослiдження N-грам. Останнi використовують в методах лiнгвометрiї для визначення приналежностi аналiзованого тексту конкретному авторовi у вiдсотках. Розроблено квантитативний метод автоматичного визначення авторства текстового контенту на основi статистичного аналiзу розподiлу 3-грам. Запропоновано пiдхiд реалiзацiї визначення автора україномовного тексту науково-технiчного профiлю. Отримано експериментальнi результати запропонованого методу для визначення приналежностi аналiзованого тексту конкретному автору за наявностi еталонного авторського тексту. Застосування лiнгвостатистичного аналiзу 3-грам до множини статей дозволить сформувати пiдмножину подiбних за лiнгвiстичними характеристиками публiкацiй. Накладання на пiдмножину додаткових умов у виглядi проведення статистичних та квантитативних аналiзiв (множини ключових слiв, стiйких словосполучень, стилеметричного, лiгвометричного тощо) дозволить значно скоротити цю пiдмножину, уточнивши список ймовiрнiших авторських робiт. Для якiсного та ефективного аналiзу контенту при визначеннi ступеня авторства конкретному автору пропонуємо аналiзувати еталонного тексту та дослiджуваного в декiлька етапiв: лiнгвометричний аналiз коефiцiєнтiв рiзноманiття авторського мовлення, стилометричний аналiз, аналiз стiйких словосполучень, лiнгвостатистичний аналiз 3-грам. Для автоматизованого опрацювання тексту має велике значення не тiльки частота появи тiєї чи iншої категорiї, а взагалi присутнiсть в дослiджуваному текстi. Кiлькiсний пiдрахунок дозволяє зробити об'єктивнi висновки щодо спрямованостi матерiалiв за кiлькiстю уживань одиниць аналiзу в дослiджуваних текстах. Якiсний аналiз робить те саме, але внаслiдок дослiдження того, чи зустрiчається (i в якому контекстi) певна важлива оригiнальна категорiя взагалi Ключовi слова: NLP, контент, контент-монiторiнг, стоп-слова, контент-аналiз, статистийний лiнгвiстичний аналiз, квантитативна лiнгвiстика, статистична лiнгвiстика, лiнгвометрiя UDC 004.

show abstract

Information system for translation into ukrainian sign language on mobile devices

Cited by 25 publications

References 3 publications

Sign Language Recognition, Generation, and Translation

Sign Language Recognition, Generation, and Translation

Design of the architecture of an intelligent system for distributing commercial content in the internet space based on SEO-technologies, neural networks, and Machine Learning

Development of the quantitative method for automated text content authorship attribution based on the statistical analysis of N-grams distribution

Contact Info

Product

Resources

About