Diese Studie konzentrierte sich auf die Interpretation des arabischen Gebärdenalphabets durch den Einsatz verschiedener DL-Techniken. Sie enthüllte fünf Hauptbeiträge, nämlich: gesammelter ASAI-Datensatz, vorgeschlagenes DASA-Modell, erworbener ASAS-Datensatz, Annäherung an die DRASL-Methode und etablierte pädagogische Anwendung. Als Fallstudie wurde das Alphabet SL aus dem Irak untersucht, da diese Arbeit den taubstummen Menschen in diesem Land helfen kann. Für den ASAI-Datensatz wurde von Grund auf eine große Anzahl von Handgestenbildern gesammelt, insgesamt 1218 Bilder. Bei der...

This study concentrated on interpreting the Arabic sign alphabet by employing different DL techniques. It revealed five main contributions namely: collected ASAI dataset, proposed DASA model, acquired ASAS dataset, approached the DRASL method, and established educational application. As a case study, the alphabet SL from Iraq was focused on as this work may help the deaf and dumb people in this country. A big number of hand gesture images have been collected from scratch for the ASAI dataset, where a total of 1218 images have been collected. Four movements were considered during the...

Cette étude s'est concentrée sur l'interprétation de l'alphabet des signes arabes en employant différentes techniques DL. Elle a révélé cinq contributions principales, à savoir : collecte de l'ensemble de données ASAI, proposition du modèle DASA, acquisition de l'ensemble de données ASAS, approche de la méthode DRASL et établissement d'une application pédagogique. L'étude de cas porte sur l'alphabet SL de l'Irak, car ce travail peut aider les sourds et muets de ce pays. Un grand nombre d'images de gestes de la main a été collecté à partir de zéro pour le jeu de données...

Books and documents are key sources of knowledge, but access is limited for visually impaired or blind individuals who cannot read. This study proposes a Character Recognition System (CRS) to improve reading accessibility for such individuals using advanced technology.A new dataset, Printed English Characters (PEC), was created, comprising 5400 images (100 samples for each character: lowercase letters, uppercase letters, and spaces). The images undergo preprocessing operations such as binarization, segmentation, and resizing before being input into a Deep Convolutional Neural Network...