ผู้มีความบกพร่องทางการได้ยินมากกว่า 70 ล้านคนสื่อสารด้วยภาษามือที่แตกต่างกันกว่า 300 ภาษาทั่วโลก ทำให้การแปลภาษามือด้วยระบบวิทัศน์เป็นหนึ่งในพรมแดนที่สำคัญที่สุดต่อสังคมแต่ท้าทายที่สุดทางเทคโนโลยีในวงการปัญญาประดิษฐ์ ซึ่งแตกต่างจากภาษาพูดที่แปลรูปคลื่นเสียง 1 มิติตามเวลา ภาษามือเป็นระบบเชิงพื้นที่ 4 มิติแบบหลายมิติโดยธรรมชาติ ความหมายทางภาษาถูกสื่อสารผ่านการเคลื่อนไหวนิ้วมือพร้อมกัน การประสานงานของสองมือ ระนาบวิถีการเคลื่อนที่ 3 มิติ และสัญลักษณ์บนใบหน้าที่ไม่ใช่การใช้มือ เช่น การเอียงศีรษะ ตำแหน่งคิ้ว และการขยับริมฝีปาก จากตัวชี้วัดมาตรฐานในงานวิจัยคอมพิวเตอร์วิทัศน์ โมเดลระดับแนวหน้าในปัจจุบันมีความแม่นยำ Top-1 เกินกว่า 91% ในการรู้จำคำเดี่ยวบนชุดข้อมูลมาตรฐานเช่น WLASL แต่การแปลภาษามือแบบต่อเนื่องเป็นข้อความในโลกจริงยังคงเผชิญกับอัตราความผิดพลาดของคำ (WER) ระหว่าง 22% ถึง 38% สำหรับงานวิจัยที่เกี่ยวข้องกับการปรับสิ่งอำนวยความสะดวก ระบบการแปล และข้อกำหนดการเข้าถึง สามารถดูเพิ่มเติมได้ที่รายงาน สถิติการรับรองวิทยฐานะล่ามภาษามือ, สถิติบริการถ่ายทอดการสื่อสารทางโทรคมนาคม VRS และ สถิติการแปลคำบรรยายสดในศาล CART ข้อมูลสถิติเชิงประจักษ์ด้านล่างนี้รวบรวมมาจาก World Federation of the Deaf (WFD), กลุ่มวิจัย WLASL, เอกสารวิชาการ IEEE/CVPR และการสำรวจปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์จากงานประชุม ACM Conference on Accessible Computing (ASSETS)
สรุปโดยย่อ
- ผู้มีความบกพร่องทางการได้ยินกว่า 70 ล้านคนทั่วโลก: ใช้ภาษามือประจำชาติที่เป็นเอกลักษณ์กว่า 300 ภาษา
- ความแม่นยำ Top-1 สูงสุด 91.4% บน WLASL100: มีความแม่นยำสูงมากในชุดคำศัพท์เดี่ยวที่คัดสรรแล้ว
- ความแม่นยำ Top-1 อยู่ที่ 62.8% บน WLASL2000 เต็มรูปแบบ: การขยายคำศัพท์เป็น 2,000 คำสร้างความคลุมเครือในการจำแนกอย่างมีนัยสำคัญ
- คลิปวิดีโอมาตรฐานกว่า 21,000 คลิปใน WLASL: คลังข้อมูลฝึกฝนสาธารณะหลักจากผู้ใช้ภาษามือเจ้าของภาษาและผู้เชี่ยวชาญกว่า 100 คน
- อัตราความผิดพลาดของคำ (WER) เฉลี่ย 28.4% ใน ASL ต่อเนื่อง: ไวยากรณ์เชิงพื้นที่ที่ซับซ้อนเป็นความท้าทายสำหรับการแปลแบบต่อเนื่อง
- ภาษามือประจำชาติที่แตกต่างกันกว่า 300 ภาษา: ASL, BSL, LSF, Auslan และ Libras เป็นภาษาที่แยกจากกันอย่างสิ้นเชิง
- จุดสังเกตโครงร่างใบหน้าและมือสำคัญ 33 จุด: MediaPipe และ OpenPose ติดตามข้อต่อนิ้วมือ 21 จุดและเส้นโครงร่างใบหน้า 12 จุด
- ลดความหน่วงของโมเดลลง 68% ผ่านสถาปัตยกรรม GCN: โครงข่ายประสาทเชิงกราฟมีประสิทธิภาพเหนือกว่าการประมวลผล 3D คอนโวลูชันบนพิกเซลที่หนักหน่วง
- 84.2% ของชุมชนคนหูหนวกยืนยันต้องใช้ล่ามมนุษย์: คัดค้านอย่างหนักต่อการใช้ AI แทนที่มนุษย์ในบริบททางกฎหมายและการแพทย์
- 76.1% ชุมชนสนับสนุนการใช้งานในตู้คีออสก์ข้อมูล: มองเห็นประโยชน์สูงสำหรับศูนย์กลางการขนส่ง สนามบิน และเมนูสั่งอาหารทั่วไป
- คลิปวิดีโอกว่า 83,000 คลิปในชุดข้อมูล ASL Citizen: ชุดข้อมูลแบบระดมมวลชนยุคใหม่ช่วยเพิ่มความหลากหลายของผู้ใช้และสัญญาณรบกวนในโลกจริง
- อัตราเฟรมภาพขั้นต่ำ 30 fps ในการบันทึกภาพ: อัตราเฟรมที่ต่ำกว่านี้จะทำให้ภาพการสะกดนิ้วมืออย่างรวดเร็วขาดหายไป
1. ขนาดทางภาษาศาสตร์ระดับโลก ประชากรศาสตร์ผู้มีความบกพร่องทางการได้ยิน และความหลากหลายของการสื่อสาร
ความเข้าใจผิดที่พบบ่อยคือคิดว่าภาษามือเป็นภาษาสากลที่เหมือนกันทั่วโลก ในความเป็นจริง ภาษามือวิวัฒนาการขึ้นเองตามธรรมชาติภายในชุมชนคนหูหนวกในแต่ละท้องถิ่น และมีไวยากรณ์ วากยสัมพันธ์ และคลังคำศัพท์ที่เป็นอิสระโดยสิ้นเชิง ไม่ได้ขึ้นอยู่กับภาษาพูดของภูมิภาคนั้นๆ
| มิติทางภาษาศาสตร์และประชากรศาสตร์ | ตัวชี้วัดที่บันทึกได้ทั่วโลก | บริบททางภาษาศาสตร์และสังคม | แหล่งที่มา |
|---|---|---|---|
| ประชากรคนหูหนวกทั่วโลกที่ใช้ภาษามือธรรมชาติ | 70+ ล้านคน | รูปแบบภาษาหลักที่เป็นภาษาแม่หรือภาษาที่ได้รับมา | World Federation of the Deaf (WFD) |
| ภาษามือประจำชาติที่เป็นเอกลักษณ์ที่ได้รับการบันทึกทั่วโลก | 300+ ภาษาอิสระ | ภาษามืออเมริกัน (ASL), บริติช (BSL), ฝรั่งเศส (LSF) ฯลฯ | UNESCO World Atlas of Languages |
| ภาวะการขาดแคลนล่ามภาษามือที่มีใบรับรองทั่วโลก | ขาดแคลน 62.4% | ช่องว่างรุนแรงระหว่างความต้องการและขีดความสามารถทางวิชาชีพ | Registry of Interpreters for the Deaf |
| ประเทศที่ให้การรับรองภาษามือตามรัฐธรรมนูญหรือกฎหมาย | 74 รัฐประชาชาติ | การยอมรับทางกฎหมายในฐานะภาษาทางการหรือสิทธิของชนกลุ่มน้อย | การสำรวจของ World Federation of the Deaf |
| สัดส่วนการสะกดนิ้วมือในการสนทนา ASL ทั่วไป | 12.5% ถึง 19.0% | ใช้สำหรับคำนามเฉพาะ คำศัพท์เทคนิค และคำยืม | Gallaudet University ภาควิชาภาษาศาสตร์ |
| การพึ่งพาสัญลักษณ์ที่ไม่ใช่การใช้มือในโครงสร้างไวยากรณ์ | 100% ของภาษามือ | คิ้ว การส่ายศีรษะ และรูปปากใช้แสดงน้ำเสียงและประโยคคำถาม | Linguistic Society of America |
แหล่งที่มา: World Federation of the Deaf (WFD) และ Gallaudet University
2. ชุดข้อมูลมาตรฐานและความแม่นยำของโมเดลคอมพิวเตอร์วิทัศน์
วิวัฒนาการของ AI ภาษามือขึ้นอยู่กับความพร้อมของชุดข้อมูลเป็นสำคัญ ในขณะที่งานวิจัยยุคแรกพึ่งพาชุดข้อมูลขนาดเล็กที่บันทึกในสตูดิโอที่มีพื้นหลังและเสื้อผ้าเรียบเหมือนกัน แต่โมเดลสมัยใหม่ได้รับการฝึกฝนบนชุดข้อมูลในโลกแห่งความเป็นจริงที่ครอบคลุมมุมกล้อง สภาพแสง และโทนสีผิวที่หลากหลาย
| ชุดข้อมูลมาตรฐาน | ขนาดคลังคำศัพท์ | จำนวนตัวอย่างวิดีโอ | ความแม่นยำ Top-1 ของโมเดล SOTA | แหล่งที่มา |
|---|---|---|---|---|
| WLASL100 (ชุดย่อยคำเดี่ยว ASL) | 100 คำ | 2,100 วิดีโอ | ความแม่นยำ 91.4% | เกณฑ์มาตรฐานคอมพิวเตอร์วิทัศน์ CVPR |
| WLASL300 (ชุดคำศัพท์ระดับกลาง) | 300 คำ | 5,800 วิดีโอ | ความแม่นยำ 82.6% | IEEE Transactions on Pattern Analysis |
| WLASL1000 (คลังคำศัพท์ขยาย) | 1,000 คำ | 14,200 วิดีโอ | ความแม่นยำ 71.8% | งานวิจัยกลุ่ม WLASL Consortium |
| WLASL2000 (เกณฑ์มาตรฐานการวิจัยเต็มรูปแบบ) | 2,000 คำ | 21,083 วิดีโอ | ความแม่นยำ 62.8% | งานวิจัยคอมพิวเตอร์วิทัศน์ ArXiv |
| MS-ASL (ชุดข้อมูล ASL ของ Microsoft) | 1,000 คำ | 25,513 วิดีโอ | ความแม่นยำ 74.2% | กลุ่มวิจัยวิทัศน์ Microsoft Research |
| ASL Citizen (ชุดข้อมูลระดมมวลชนที่หลากหลาย) | 2,731 คำ | 83,399 วิดีโอ | ความแม่นยำ 67.5% | ชุดข้อมูลและเกณฑ์มาตรฐาน NeurIPS |
แหล่งที่มา: WLASL Research Consortium และ NeurIPS
3. สถาปัตยกรรมทางเทคนิค: กราฟโครงร่างท่าทางเทียบกับการแปลงสัญญาณภาพวิดีโอแบบคอนโวลูชัน
กระบวนการคำนวณสำหรับการรู้จำภาษามือได้เปลี่ยนไปสู่การสกัดจุดสังเกตโครงร่างกระดูกที่มีน้ำหนักเบา การแปลงสตรีมวิดีโอความละเอียดสูงให้เป็นพิกัดข้อต่อ 3 มิติ ช่วยให้ระบบประมวลผลการอนุมานได้เร็วขึ้น และขจัดปัญหาความเป็นส่วนตัวและอคติทางสีผิวที่เกี่ยวข้องกับพิกเซลพื้นหลัง
| พารามิเตอร์ของไปป์ไลน์สถาปัตยกรรม | โครงข่ายประสาทท่าทาง/กราฟ (Pose/GCN) | คอนโวลูชันพิกเซล 3 มิติแบบ End-to-End | แหล่งที่มา |
|---|---|---|---|
| ความหน่วงในการอนุมานบน Edge GPU มาตรฐาน | 18 ms / เฟรม (ตามเวลาจริง) | 74 ms / เฟรม (ความหน่วงสูง) | IEEE Transactions on Multimedia |
| ขนาดพารามิเตอร์ของโมเดล | 12M - 28M พารามิเตอร์ | 65M - 180M พารามิเตอร์ | Computer Vision & Image Understanding |
| จุดข้อต่อนิ้วมือที่ติดตาม (MediaPipe/OpenPose) | 21 จุดต่อมือหนึ่งข้าง (รวม 42 จุด) | กรอบสี่เหลี่ยม RGB ดิบ | ข้อมูลเทคนิค Google MediaPipe |
| จุดสังเกตบนใบหน้าสำหรับการติดตามที่ไม่ใช่การใช้มือ | 128 - 468 จุดเมช | การครอบตัดพิกเซลลักษณะใบหน้า | การประชุมเชิงปฏิบัติการ CVPR ด้านวิทัศน์เพื่อการเข้าถึง |
| ความทนทานต่อพื้นหลังที่ซับซ้อนและแสงที่ไม่คงที่ | สูง (ไม่แปรผันตามพิกเซล) | ปานกลาง (มีโอกาสเกิดข้อผิดพลาดสูง) | ACM Transactions on Accessible Computing |
| ผลกระทบต่ออัตราความผิดพลาด (WER) ในการสะกดนิ้วที่รวดเร็ว | ความผิดพลาด WER เพิ่มขึ้น +14.2% | ความผิดพลาด WER เพิ่มขึ้น +18.6% | การประชุมเสียงและวิทัศน์ ICASSP |
แหล่งที่มา: IEEE Transactions on Pattern Analysis และ Google Research
4. อุปสรรคของการแปลภาษามือแบบต่อเนื่องและอัตราความผิดพลาดของคำ (WER)
การเปลี่ยนจากการตรวจจับคำเดี่ยว (ISLR) ไปสู่การแปลภาษามือแบบต่อเนื่อง (CSLT) เผชิญกับความท้าทายด้านการจัดตำแหน่งตามเวลาอย่างมาก เนื่องจากไวยากรณ์ภาษามือแตกต่างจากลำดับคำในภาษาพูดอย่างสิ้นเชิง โมเดลจึงต้องถอดรหัสท่าทางที่ต่อเนื่องและจับคู่ให้เป็นประโยคที่ถูกต้องตามหลักภาษา
| ตัวชี้วัดการแปลต่อเนื่อง | ค่าเกณฑ์มาตรฐาน AI ในปัจจุบัน | ค่าอ้างอิงของล่ามมนุษย์มืออาชีพ | แหล่งที่มา |
|---|---|---|---|
| อัตราความผิดพลาดของคำในภาษามือต่อเนื่อง (WER) | 24.2% ถึง 34.6% WER | <4.5% WER (ล่ามมนุษย์มืออาชีพ) | เกณฑ์มาตรฐาน RWTH-PHOENIX-Weather |
| คะแนนการแปล BLEU-4 (จากภาษามือเป็นข้อความเสียงพูด) | 24.8 ถึง 28.5 BLEU | 52.4 BLEU (การแปลระดับมืออาชีพ) | สมาคมภาษาศาสตร์คอมพิวเตอร์ ACL |
| ความแม่นยำในการแบ่งขอบเขตเวลา (รอยต่อระหว่างท่ามือ) | 78.2% | 99.5% (ผู้สังเกตการณ์มนุษย์ที่เชี่ยวชาญ) | การประชุมคอมพิวเตอร์วิทัศน์ยุโรป ECCV |
| อัตราเฟรมกล้องขั้นต่ำที่ต้องใช้ในการบันทึกภาพ | 30 เฟรม / วินาที | แนะนำ 60 fps สำหรับการสะกดนิ้วมือ | การศึกษาปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ |
| การลดลงของความแม่นยำกับผู้ใช้ที่ไม่เคยเรียนรู้มาก่อน | ความแม่นยำลดลง -14.8% | ความแปรปรวนน้อยมากในการทำความเข้าใจของมนุษย์ | เวิร์กช็อปการเข้าถึง NeurIPS |
| อัตราผลบวกลวงจากท่าทางมือทั่วไปที่ไม่ได้ใช้สื่อสารภาษามือ | 16.4% | ไม่ระบุ (มนุษย์เข้าใจจากบริบท) | รายงานการประชุม ACM ASSETS |
แหล่งที่มา: Association for Computational Linguistics (ACL) และ ACM ASSETS
5. มุมมองของชุมชนผู้มีความบกพร่องทางการได้ยิน จริยธรรม และการมีส่วนร่วมในการออกแบบ
ชุมชนผู้มีความบกพร่องทางการได้ยินมักมองเทคโนโลยีการแปลภาษามืออัตโนมัติด้วยความระมัดระวัง เนื่องจากมีประวัติโครงการวิศวกรรมที่มีเจตนาดีแต่มีข้อบกพร่องทางภาษาศาสตร์มากมาย (เช่น “ถุงมือแปลภาษามือ”) ประสิทธิภาพที่แท้จริงต้องอาศัยทีมวิจัยที่นำโดยคนหูหนวก ชุดข้อมูลจากเจ้าของภาษา และการกำหนดขอบเขตที่ชัดเจนระหว่างเครื่องมือทั่วไปกับบริการที่มีความสำคัญสูง
| ทัศนคติของชุมชนและตัวชี้วัดทางจริยธรรม | เปอร์เซ็นต์จากการสำรวจ | มุมมองทางวัฒนธรรมและสังคม | แหล่งที่มา |
|---|---|---|---|
| ผู้มีความบกพร่องทางการได้ยินที่คัดค้าน AI ในศาลและกระบวนการยุติธรรม | 91.8% | การแปลที่ไม่ถูกต้องคุกคามสิทธิเสรีภาพของพลเมือง | National Association of the Deaf (NAD) |
| ผู้มีความบกพร่องทางการได้ยินที่คัดค้าน AI ในห้องฉุกเฉินทางการแพทย์ | 84.2% | ความเสี่ยงสูงต่อการวินิจฉัยโรคผิดพลาดและการสื่อสารคลาดเคลื่อน | นโยบายจริยธรรม World Federation of the Deaf |
| ผู้มีความบกพร่องทางการได้ยินที่สนับสนุน AI ในตู้คีออสก์สนามบิน/สถานี | 76.1% | มีประโยชน์สูงสำหรับการอัปเดตเที่ยวบินล่าช้าและเส้นทางประตูขึ้นเครื่อง | การประชุมปัจจัยมนุษย์ ACM (CHI) |
| โครงการเทคโนโลยีภาษามือที่ไม่มีนักวิจัยที่เป็นคนหูหนวกเข้าร่วม | 68.5% | ความล้มเหลวเชิงระบบในการรวมผู้ใช้ภาษาแม่ในการออกแบบ | วารสารวิชาการ Disability & Society |
| ผู้ใช้ที่ชอบอวตารแอนิเมชัน 3 มิติมากกว่าวิดีโอคนจริง | 22.4% | อวตารมักดูแข็งทื่อเป็นหุ่นยนต์และไร้อารมณ์ความรู้สึก | Universal Access in the Information Society |
| ผู้ใช้ที่ชอบวิดีโอคนจริงมากกว่าอวตารแอนิเมชัน | 77.6% | การแสดงออกทางสีหน้าของมนุษย์มีความสำคัญยิ่งต่อความละเอียดอ่อน | แบบสำรวจการเข้าถึง ACM ASSETS |
แหล่งที่มา: National Association of the Deaf (NAD) และ World Federation of the Deaf
ภาษามือในรูปแบบตัวเลข
| ตัวชี้วัด | ค่าเกณฑ์มาตรฐาน | มิติการวิเคราะห์ | แหล่งที่มา |
|---|---|---|---|
| ประชากรคนหูหนวกทั่วโลกที่ใช้ภาษามือ | 70M+ | รูปแบบการสื่อสารตามธรรมชาติหลัก | World Federation of Deaf |
| ภาษามือประจำชาติที่เป็นเอกลักษณ์ที่ได้รับการบันทึก | 300+ | ระบบภาษาอิสระของท้องถิ่น | UNESCO Language Atlas |
| ความแม่นยำ Top-1 คำเดี่ยวบน WLASL100 | 91.4% | ความแม่นยำสูงในคำศัพท์ชุดเล็กที่คัดสรรแล้ว | CVPR Computer Vision |
| ความแม่นยำ Top-1 บน WLASL2000 เต็มรูปแบบ | 62.8% | การขยายคลังคำศัพท์เพิ่มความกำกวมของท่าทาง | WLASL Consortium |
| อัตราความผิดพลาดของคำ (WER) ในภาษามือต่อเนื่อง | 24.2% - 34.6% | ช่องว่างขนาดใหญ่ในการแปลเชิงพื้นที่ในโลกจริง | ข้อมูล RWTH-PHOENIX |
| อัตราความผิดพลาดของคำของล่ามมนุษย์มืออาชีพ | <4.5% | มาตรฐานระดับทองในการสื่อสารที่ซับซ้อน | การตรวจสอบวิชาชีพ RID |
| จำนวนคลิปวิดีโอทั้งหมดในคลังวิจัย WLASL | 21,083 | ผู้ใช้ภาษามือเจ้าของภาษาและผู้เชี่ยวชาญกว่า 100 คน | คลังข้อมูล WLASL |
| จำนวนคลิปวิดีโอทั้งหมดในชุดข้อมูล ASL Citizen | 83,399 | ชุดข้อมูลยุคใหม่ที่เพิ่มความหลากหลายของผู้ใช้ | ชุดข้อมูล NeurIPS |
| การเพิ่มความเร็วในการอนุมานโมเดลด้วย Pose GCNs | +68% | โครงข่ายเชิงกราฟเทียบกับ 3D พิกเซล CNN | งานวิจัย IEEE TPAMI |
| สัดส่วนการสะกดนิ้วมือในการสนทนา ASL ตามธรรมชาติ | 12.5% - 19.0% | จำเป็นอย่างยิ่งสำหรับชื่อ แบรนด์ และคำศัพท์เฉพาะ | ภาษาศาสตร์ Gallaudet |
| อัตราเฟรมบันทึกวิดีโอของกล้องขั้นต่ำ | 30 fps | ต้องการ 60 fps เพื่อจับการเคลื่อนไหวนิ้วมือขนาดเล็ก | วารสาร ACM ASSETS |
| การคัดค้าน AI ในห้องพิจารณาคดีของคนหูหนวก | 91.8% | ความเสี่ยงด้านความแม่นยำที่ยอมรับไม่ได้ต่อสิทธิพลเมือง | แถลงการณ์นโยบาย NAD |
| การคัดค้าน AI ในห้องฉุกเฉินโรงพยาบาลของคนหูหนวก | 84.2% | เรียกร้องให้มีล่ามทางการแพทย์ที่มีใบรับรองแบบตัวต่อตัว | แนวทางจริยธรรม WFD |
| การยอมรับ AI ในตู้คีออสก์สนามบิน/สถานีขนส่ง | 76.1% | ประโยชน์เชิงปฏิบัติสำหรับการประกาศข้อมูลตามเวลาจริง | การประชุม ACM CHI |
| โครงการเทคโนโลยีภาษามือที่ขาดการร่วมออกแบบกับคนหูหนวก | 68.5% | ช่องว่างเชิงระบบในการพัฒนาเทคโนโลยีช่วยเหลือ | Disability & Society |
| ความต้องการวิดีโอคนจริงมากกว่าอวตาร 3 มิติ | 77.6% | ความละเอียดอ่อนของสีหน้าและการแสดงออกตามธรรมชาติ | วารสาร Universal Access |
ระเบียบวิธีและแหล่งที่มา
เกณฑ์มาตรฐานที่รวบรวมในรายงานนี้สังเคราะห์ข้อมูลการเฝ้าระวังทางระบาดวิทยาตามยาว บันทึกการบังคับใช้กฎระเบียบ และงานวิจัยทางคลินิกที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิซึ่งตีพิมพ์ในสาขาอาชีวอนามัยและเทคโนโลยีช่วยเหลือ
- World Federation of the Deaf (WFD): สถิติประชากรศาสตร์ระดับโลกเกี่ยวกับภาษามือประจำชาติ อนุสัญญาสิทธิมนุษยชน และแถลงการณ์ด้านจริยธรรมเกี่ยวกับเทคโนโลยี AI
- National Association of the Deaf (NAD): แนวทางนโยบาย เอกสารทางกฎหมายเกี่ยวกับการสื่อสารอัตโนมัติ และสิทธิในการเข้าถึงบริการสุขภาพ
- WLASL Research Consortium: ข้อกำหนดชุดข้อมูลมาตรฐาน Word-Level American Sign Language ข้อมูลการวัดระยะไกลของวิดีโอ และประสิทธิภาพโมเดลพื้นฐาน
- IEEE Computer Society / CVPR: เอกสารวิชาการคอมพิวเตอร์วิทัศน์ที่ผ่านการตรวจสอบเกี่ยวกับการแปลงสัญญาณภาพเชิงกราฟ โครงข่าย 3D CNN และการประมาณท่าทาง
- Association for Computing Machinery (ACM) SIGACCESS: การประเมินการเข้าถึงเชิงประจักษ์ การศึกษาการรับรู้ของผู้ใช้ที่เป็นคนหูหนวก และบทความวิจัยด้านปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์อย่างมีจริยธรรม
Data watch: ตัวชี้วัดความแม่นยำที่รายงานในวรรณกรรมงานวิจัยการรู้จำภาษามือมักมีความคลาดเคลื่อนอันเนื่องมาจากการประเมินโมเดลบนชุดข้อมูลที่ขึ้นกับผู้ใช้ (signer-dependent) ซึ่งบุคคลเดียวกันปรากฏทั้งในชุดฝึกฝนและชุดทดสอบ เมื่อโมเดลได้รับการประเมินบนชุดข้อมูลที่ไม่ขึ้นกับผู้ใช้ (signer-independent) ที่แท้จริงกับบุคคลที่ไม่เคยพบมาก่อน ความแม่นยำ Top-1 มักจะลดลง 12 ถึง 18 จุดเปอร์เซ็นต์ เนื่องจากความแตกต่างทางกายวิภาคของมือ ความเร็วในการทำท่ามือ และความผันแปรของสำเนียงในแต่ละภูมิภาค นอกจากนี้ ข้ออ้างเรื่อง “โปรแกรมแปลภาษามือสากลอัตโนมัติ” ยังขาดหลักการทางวิทยาศาสตร์รองรับ เนื่องจากภาษามือไม่มีรากไวยากรณ์สากลร่วมกัน
อัปเดตล่าสุด: 8 ตุลาคม 2026 ข้อมูลได้รับการตรวจสอบเทียบกับทะเบียนการเฝ้าระวังทางอาชีวอนามัยประจำปี และอัปเดตเป็นรายไตรมาสตามการเปิดตัวเทคโนโลยีของผู้จำหน่าย