区分性训练在非特定人手语识别中的应用与模型改进

"非特定人手语识别参数训练模型的改进及应用 (2009年)" 手语识别技术是计算机视觉和人工智能领域中的一个重要研究方向，旨在帮助听障人士与正常人之间的交流。非特定人手语识别是这一领域的核心问题，它要求系统能够识别任何人的手语动作，而不仅仅是特定个体的。然而，非特定人手语识别面临的主要挑战之一是训练数据的匮乏，这会严重影响识别系统的性能。 传统的隐马尔可夫模型（HMM）在手语识别中被广泛使用，但其参数训练通常基于特定人的样本，这导致在非特定人情况下的识别率降低。区分性训练（DT）是一种有效的策略，它通过优化模型以更好地适应训练样本的分布，从而提高识别率。论文中提出了对HMM参数训练模型进行改进的DT/HMM模型，通过全新的推导，得到了与HMM一致且完整的参数模型。 在论文中，作者首先在特定人识别系统上应用h准则进行了区分性训练，得到了h参数。这些参数反映了手语动作的动态特性，有助于提高模型对手语动作的描述精度。随后，将改进后的DT/HMM参数模型与h参数结合，应用于大词汇量的非特定人手语识别任务。为了进一步提升识别效果，作者还引入了主观经验，设计了非注册易混词集EX，用于处理识别过程中可能出现的混淆问题。 实验结果表明，与仅使用最大似然估计（MLE）和期望最大化（EBW）方法构建的非注册易混词集相比，采用EX并结合DT/HMM和h参数的模型在平均识别率上有显著提升，分别提高了10.65%和9.55%。这验证了所提出的改进模型在应对非特定人手语识别时的有效性和优越性。 这篇论文针对非特定人手语识别的挑战，提出了一种改进的参数训练模型，通过区分性训练优化了HMM，结合h参数和主观经验，提高了识别系统的性能。这种方法对于扩大手语识别的应用范围，尤其是在公共场合和大规模的交流环境中具有重要的实用价值。