Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina

Autores
Recabarren, Facundo; Amaya, Fabrizio; Klenzi, Raúl Oscar; Masanet, María Isabel
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El desarrollo de un modelo intérprete de Lengua de Señas Argentina (LSA) basado en algoritmos de Deep Learning, permite clasificar videos que explicitan la gestualidad y significado de una palabra o frase y volcarla en formato de texto. Para tal tarea se requiere de datos concisos y compactos que permitan la mejor funcionalidad de los algoritmos. En este trabajo se presentan las tareas de preprocesamiento requeridas para alcanzar tales objetivos contrastando en la instancia de resultados los tiempos en clasificar videos con y sin el preprocesamiento mencionado.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Preprocesamiento
Lengua de Señas Argentina (LSA)
Machine Learning
Data Science
MediaPipe
XGBoost
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/176172
Acceder
id SEDICI_d4476e7d95434fcc3d05c1fb780f916e
oai_identifier_str oai:sedici.unlp.edu.ar:10915/176172
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Tareas de Preprocesamiento en un intérprete de Lengua de Señas ArgentinaRecabarren, FacundoAmaya, FabrizioKlenzi, Raúl OscarMasanet, María IsabelCiencias InformáticasPreprocesamientoLengua de Señas Argentina (LSA)Machine LearningData ScienceMediaPipeXGBoostEl desarrollo de un modelo intérprete de Lengua de Señas Argentina (LSA) basado en algoritmos de Deep Learning, permite clasificar videos que explicitan la gestualidad y significado de una palabra o frase y volcarla en formato de texto. Para tal tarea se requiere de datos concisos y compactos que permitan la mejor funcionalidad de los algoritmos. En este trabajo se presentan las tareas de preprocesamiento requeridas para alcanzar tales objetivos contrastando en la instancia de resultados los tiempos en clasificar videos con y sin el preprocesamiento mencionado.Red de Universidades con Carreras en Informática2024-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf93-98http://sedici.unlp.edu.ar/handle/10915/176172spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-15T11:39:13Zoai:sedici.unlp.edu.ar:10915/176172Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:39:13.908SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
title Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
spellingShingle Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
Recabarren, Facundo
Ciencias Informáticas
Preprocesamiento
Lengua de Señas Argentina (LSA)
Machine Learning
Data Science
MediaPipe
XGBoost
title_short Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
title_full Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
title_fullStr Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
title_full_unstemmed Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
title_sort Tareas de Preprocesamiento en un intérprete de Lengua de Señas Argentina
dc.creator.none.fl_str_mv Recabarren, Facundo
Amaya, Fabrizio
Klenzi, Raúl Oscar
Masanet, María Isabel
author Recabarren, Facundo
author_facet Recabarren, Facundo
Amaya, Fabrizio
Klenzi, Raúl Oscar
Masanet, María Isabel
author_role author
author2 Amaya, Fabrizio
Klenzi, Raúl Oscar
Masanet, María Isabel
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Preprocesamiento
Lengua de Señas Argentina (LSA)
Machine Learning
Data Science
MediaPipe
XGBoost
topic Ciencias Informáticas
Preprocesamiento
Lengua de Señas Argentina (LSA)
Machine Learning
Data Science
MediaPipe
XGBoost
dc.description.none.fl_txt_mv El desarrollo de un modelo intérprete de Lengua de Señas Argentina (LSA) basado en algoritmos de Deep Learning, permite clasificar videos que explicitan la gestualidad y significado de una palabra o frase y volcarla en formato de texto. Para tal tarea se requiere de datos concisos y compactos que permitan la mejor funcionalidad de los algoritmos. En este trabajo se presentan las tareas de preprocesamiento requeridas para alcanzar tales objetivos contrastando en la instancia de resultados los tiempos en clasificar videos con y sin el preprocesamiento mencionado.
Red de Universidades con Carreras en Informática
description El desarrollo de un modelo intérprete de Lengua de Señas Argentina (LSA) basado en algoritmos de Deep Learning, permite clasificar videos que explicitan la gestualidad y significado de una palabra o frase y volcarla en formato de texto. Para tal tarea se requiere de datos concisos y compactos que permitan la mejor funcionalidad de los algoritmos. En este trabajo se presentan las tareas de preprocesamiento requeridas para alcanzar tales objetivos contrastando en la instancia de resultados los tiempos en clasificar videos con y sin el preprocesamiento mencionado.
publishDate 2024
dc.date.none.fl_str_mv 2024-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/176172
url http://sedici.unlp.edu.ar/handle/10915/176172
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
93-98
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846064408115019776
score 13.22299

Publicaciones similares