論文の概要: TransSLR: A Lightweight Transformer for Sign Language Recognition

• arxiv url: http://arxiv.org/abs/2608.06407v1
• Date: Mon, 03 Aug 2026 10:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.239117
• Title: TransSLR: A Lightweight Transformer for Sign Language Recognition
• Title（参考訳）: TransSLR:手話認識のための軽量変換器
• Abstract要約: 我々は,64フレームの正規化シーケンスをスクラッチからトレーニングした軽量テンポラルトランスであるTrans SLRを提案する。 CASL-W60ベンチマークでは、Trans SLRは最先端の精度を80.39%と設定し、以前の最高値を+10.46%上回った。 エンコーダのみの設計は計算オーバーヘッドを大幅に減らし、資源制約のある環境でのデプロイメントを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Sign Language Recognition for under-represented languages remains a largely unsolved problem. Central African Sign Language (CASL) exemplifies this gap: the only available bench-mark, CASL-W60, has a best reported accuracy of 69.93%, and we show that the common heuristic of fine-tuning high-resource models fails to close it. This failure stems from two compounding factors: the limited scale of available CASL data and the significant lexical and visual domain gap between CASL and large-scale corpora such as WLASL, which renders pre-trained representations largely uninformative. To address this, we propose TransSLR, a lightweight Temporal Transformer Encoder trained from scratch on 64-frame normalized pose sequences, with average pooling and a classification head. By operating on geometric keypoint representations rather than raw RGB, TransSLR achieves signer-independent generalization without relying on visual appearance. On the CASL-W60 benchmark, TransSLR establishes a new state-of-the-art accuracy of 80.39%, surpassing the prior best by +10.46%. Beyond accuracy, our encoder-only design significantly reduces computational overhead, making deployment feasible in resource-constrained environments. We conduct extensive experiments on the CASL-W60 benchmark, comparing against RGB-based and multimodal baselines, and demonstrate that TransSLR achieves state-of-the-art performance.
• Abstract（参考訳）: 表現不足言語の自動手話認識は未解決の問題である。 唯一利用可能なベンチマークであるCASL-W60は、69.93%の精度で報告されている。 この失敗は、利用可能なCASLデータの限られたスケールと、事前学習された表現をほとんど表現しないWLASLのような大規模コーパスとCASLの間の大きな語彙的および視覚的領域ギャップという2つの複合要因から生じる。 そこで本研究では,64フレームの正規化ポーズシーケンスをスクラッチからトレーニングした軽量なテンポラルトランスフォーマーエンコーダであるTransSLRを提案する。 生のRGBではなく幾何学的キーポイント表現を演算することにより、TransSLRは視覚的外観に頼ることなくシグナー非依存の一般化を実現する。 CASL-W60ベンチマークでは、TransSLRは新しい最先端の精度を80.39%と設定し、以前の最高値を+10.46%上回った。 正確性以外にも、エンコーダのみの設計は計算オーバーヘッドを大幅に削減し、リソース制約のある環境でのデプロイメントを可能にします。 我々は,CASL-W60ベンチマークにおいて,RGBベースおよびマルチモーダルベースラインとの比較を行い,TransSLRが最先端の性能を達成することを示す。

関連論文リスト

• Efficient Long-Context Modeling in Diffusion Language Models via Block Approximate Sparse Attention [58.484607892210015]
  Diffusion Language Models (DLM) は、グローバルコヒーレント、双方向、および制御可能なテキスト生成を可能にする。 既存の多くのブロックスパースアテンション手法は、高分解能アテンション空間上の固定サンプリングパターンによってブロックを選択する。 本稿では,ブロックワイド事前サンプリング操作によるBA-Att(Block Approximate Sparse Attention framework)を提案する。
  論文  参考訳（メタデータ） (2026-05-19T12:01:13Z)
• Tiny Inference-Time Scaling with Latent Verifiers [56.696619768584675]
  Verifier on Hidden States (VHS) は、Diffusion Transformer (DiT) の中間的な隠れ表現で動作する。 VHSは、画素空間に復号することなくジェネレータ機能を解析することにより、候補毎の検証コストを削減できる。 VHSは同じ推論時予算でGenEvalを+2.7%改善する。
  論文  参考訳（メタデータ） (2026-03-23T19:00:02Z)
• BdSL-SPOTER: A Transformer-Based Framework for Bengali Sign Language Recognition with Cultural Adaptation [0.9883261192383612]
  ベンガル手話(BdSL)の正確かつ効率的な認識のためのポーズベースのトランスフォーマーフレームワークであるBdSL-SPOTERを紹介する。 BdSL-SPOTERは、SPOTERパラダイムを拡張し、文化的な前処理と、学習可能な位置符号化を最適化したコンパクトな4層トランスフォーマーエンコーダである。 BdSLW60ベンチマークでは、97.92%のTop-1バリデーションが達成され、Bi-LSTMベースラインよりも22.82%改善された。
  論文  参考訳（メタデータ） (2025-11-15T08:45:21Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Interpretable Zero-Shot Learning with Locally-Aligned Vision-Language Model [56.573203512455706]
  大規模視覚言語モデル(VLM)は、大規模視覚テキストペアデータセットを活用することでゼロショット学習(ZSL)において顕著な成功を収めた。 この問題に対処する1つのアプローチは、言語を統合することで解釈可能なモデルを開発することである。 本稿では,ZSLを解釈可能な言語モデルであるLaZSLを提案する。
  論文  参考訳（メタデータ） (2025-06-30T13:14:46Z)
• SignBart -- New approach with the skeleton sequence for Isolated Sign language Recognition [0.17578923069457017]
  本研究では,骨格配列のx,y座標から意味情報を独立に抽出することの難しさを克服する新しいSLR手法を提案する。 749,888のパラメータだけで、このモデルはLSA-64データセットで96.04%の精度を達成している。 このモデルはまた、WLASLとASL-Citizenデータセット間で優れたパフォーマンスと一般化を示す。
  論文  参考訳（メタデータ） (2025-06-18T07:07:36Z)
• Fine-Tuning Video Transformers for Word-Level Bangla Sign Language: A Comparative Analysis for Classification Tasks [1.633119622546771]
  手話認識には、画像やビデオから手話の自動識別と分類が含まれる。 バングラデシュでは、バングラ手話は聴覚障害を持つ多くの人々のコミュニケーションの主要な手段である。 そこで本研究では,小規模BdSLデータセット上での最先端のビデオトランスフォーマーアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2025-06-04T18:29:32Z)
• BdSLW401: Transformer-Based Word-Level Bangla Sign Language Recognition Using Relative Quantization Encoding (RQE) [2.762888756640272]
  Banglaのような低リソース言語に対する手話認識は、手話のバリエーション、視点の変化、限られたデータセットに悩まされている。 BdSLW401は18の注釈付きシグナーから401の符号と102,176のビデオサンプルを持つ大規模で多視点の単語レベルBandgla Sign Language(BdSL)データセットである。
  論文  参考訳（メタデータ） (2025-03-04T07:34:06Z)
• Low-Resolution Self-Attention for Semantic Segmentation [93.30597515880079]
  我々は,グローバルコンテキストを計算コストの大幅な削減で捉えるために,低解像度自己認識(LRSA)機構を導入する。 我々のアプローチは、入力画像の解像度に関わらず、固定された低解像度空間における自己注意を計算することである。 本稿では,エンコーダ・デコーダ構造を持つビジョントランスであるLRFormerを構築することで,LRSA手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-10-08T06:10:09Z)
• Head-Free Lightweight Semantic Segmentation with Linear Transformer [21.38163906180886]
  本稿では,適応周波数変換器(Adaptive Frequency Transformer)というセマンティックセグメンテーションのためのヘッドフリー軽量アーキテクチャを提案する。 並列アーキテクチャを採用して、デコーダを置き換える特定の学習可能なローカル記述としてプロトタイプ表現を活用する。 デコーダの除去は計算の大部分を圧縮するが、並列構造の精度は依然として低い計算資源によって制限されている。
  論文  参考訳（メタデータ） (2023-01-11T18:59:46Z)
• Multi-Modal Zero-Shot Sign Language Recognition [51.07720650677784]
  マルチモーダルなゼロショット手話認識モデルを提案する。 C3DモデルとともにTransformerベースのモデルを使用して手の検出と深い特徴抽出を行う。 意味空間は、視覚的特徴をクラスラベルの言語的な埋め込みにマッピングするために使用される。
  論文  参考訳（メタデータ） (2021-09-02T09:10:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。