Στην παρούσα εργασία μελετήθηκε η δυνατότητα αναγνώρισης γραμμάτων της νοηματικής γλώσσας με την χρήση βαθιών νευρωνικών δικτύων. Τα τελευταία χρόνια η ραγδαία αύξηση του ενδαφέροντος για την ανάπτυξη λογισμικών που θα αυτοματοποιούν την μετάφραση της νοηματικής γλώσσας σε συνδυασμό με την επιτυχεία αξισημείωτων επιδόδεων των βαθιών νεθρονικών δικτύων στο χώρο της μηχανικής μάθησης, άρα και σε εφερμογές επεξεργασείας εικόνας αλλά και μετάφρασης της σε γλώσσα έχουν σαν αποτέλεσμα την όλο και μεγαλύτερη μελέτη του προβλήματος. Στην εργασία μελετήθηκε η αναγνώριση χαρακτήρων της Αμερικανικής Αλφαβήτου της Νοηματικής γλώσσας.

Για την δημιουργία των δύο Νευρωνικών δικτύων, των οποίων οι επιδόσεις συγκρίθηκαν, ανπτύχθηκε λογισμικό σε γλώσσα προγραμματισμού Python με την χρήση της βιβλιοθήκης Tensorflow, η οποία αναπτύχθηκεαπό την Google ΑΙ για τον σκοπό αυτό. Η βιβλιοθήκη Tensorflow παρέχει όλες τις μεθόδους που χρησιμοποιούνται για την υλοποίηση της βαθιάς μάθησης όπως, συναρτήσεις ενεργοποιήσεως, του αλγορίθμου οπισθοδιάδοσης και στοχαστικών αλγορίθμων βελτιστοποίησης.

Για την υλοποίηση της εργασίας, δημιουργήθηκαν δύο Συνελικτικά Νευρωνικά Δίκρυα (CNNs) διαφορετικών αρχιτεκτονικών, των οποίων οι επιδόσεις συγκρίθηκαν και αξιολογήθηκαν.

In the present study, the feasibility of sign language letter recognition using deep neural networks was explored. In recent years, there has been a rapid increase in interest in developing software for automating the translation of sign language, coupled with the notable success of deep neural networks in machine learning and image processing applications, including translation tasks. This has resulted in an increasing focus on studying this problem further.

The study specifically focused on recognizing characters from the American Sign Language alphabet. To create and compare two neural networks, software was developed in Python using the TensorFlow library, developed by Google AI specifically for this purpose. TensorFlow provides all the necessary methods for implementing deep learning, including activation functions, backpropagation algorithms, and stochastic optimization algorithms.

For the implementation of the study, two Convolutional Neural Networks (CNNs) of different architectures were created, and their performances were compared and evaluated.