区分性训练在手语识别中的应用：HMM与MMIE准则改进

"手语识别中基于HMM的区分性训练方法 (2007年)" 在手语识别领域，传统的隐马尔科夫模型（Hidden Markov Model, 简称HMM）训练通常依赖于最大似然估计（Maximum Likelihood Estimation, 简称MLE），这是一种基于统计概率的优化方法。当训练样本数量充足时，MLE能够提供最佳的模型参数估计。然而，在实际的手语识别研究中，收集大量多样化的手语样本是一项极具挑战性的任务。这导致传统方法可能无法充分捕获手语动作的复杂性和多样性，进而影响识别准确性。 区分性训练（Discriminative Training）作为一种有效的解决方案，它旨在优化模型以最大化不同类别的区分度，而非单纯追求模型内部参数的最优。在语音识别领域，最大交互信息准则（Maximum Mutual Information Estimation, 简称MMIE）是区分性训练的常用准则，它可以通过增强类别间的差异来改善识别性能。 本文作者王雨轩、倪训博和姜峰针对这一问题，提出了一种针对手语识别的MMIE准则的改进形式。他们首先合理构建了手语识别中的竞争模型，即模拟了手语手势间的竞争关系，然后定义了易混集（Confusion Set），这是一组容易被混淆的手势集合。通过对这些易混手势的特别处理，改进的MMIE准则能更好地调整HMM的状态转移和发射概率，以降低误识别率。 实验结果表明，采用改进的MMIE准则对手语识别系统进行了优化，显著提高了特定人与非特定人手语识别的准确性和鲁棒性。这种改进对于解决因训练样本不足和手语模型相似性带来的问题具有重要意义，为手语识别技术的进步提供了新的思路和方法。论文的发表不仅展示了区分性训练在手语识别中的应用潜力，也为相关领域的研究者提供了有价值的参考。 关键词：区分性训练、隐马尔科夫模型、易混集、最大交互信息 中图分类号：TP391.41；文献标识码：A；文章编号：1673-4785（2007）01-0080-05 这篇论文的贡献在于提出了一种适应手语识别特点的区分性训练方法，解决了传统HMM训练方法在样本不足情况下的局限性，为手语识别技术的实用化和进一步发展奠定了基础。