Розробка основних елементів інформаційної технології аналізу мімічних проявів для систем інтерактивного вивчення жестової мови

У роботі розглянуто основні елементи інформаційної технології аналізу мімічних проявів для системи інтерактивного вивчення жестової мови. Описано основні компоненти інформаційної технології, її експериментальна реалізація. Проведено аналіз впливу кількості ознак, обсягу навчальної вибірки і типу кла...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Штучний інтелект
Datum:2017
1. Verfasser: Кузнєцов, В.О.
Format: Artikel
Sprache:Ukrainian
Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2017
Schlagworte:
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/132100
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Розробка основних елементів інформаційної технології аналізу мімічних проявів для систем інтерактивного вивчення жестової мови / В.О. Кузнєцов // Штучний інтелект. — 2017. — № 1. — С. 45-54. — Бібліогр.: 15 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
Beschreibung
Zusammenfassung:У роботі розглянуто основні елементи інформаційної технології аналізу мімічних проявів для системи інтерактивного вивчення жестової мови. Описано основні компоненти інформаційної технології, її експериментальна реалізація. Проведено аналіз впливу кількості ознак, обсягу навчальної вибірки і типу класифікатора на кількість помилок 1 і 2 роду. Удосконалено існуючі алгоритми ідентифікації мімічних проявів шляхом вибору оптимального набору конструктів мультикласифікаторів. This article describes the elements of information technology for analysis of facial expressions to apply in interactive study of sign language. The main elements of information technology, its structure and experimental implementation has been discussed. Analysis was carried out in order to identify how the classifier error rate depends on type of classifier, number of feature and teach set. Optimal constructs of classifiers were proposed, giving drastic improvement of existing algorithms.
ISSN:1561-5359