SignWriting para Reconhecimento de Gestos em Lingua de Sinais
Reconhecimento de Gestos; SignWriting; Aprendizado
Profundo; Aumento de Dados
O reconhecimento automático de gestos é essencial para promover a
comunicação inclusiva, sobretudo junto às comunidades Surdas. Entretanto,
persistem desafios significativos em função da diversidade linguística das
línguas de sinais e das limitações das abordagens convencionais, as quais
tipicamente exigem grandes conjuntos de dados rotulados e apresentam baixo
potencial de generalização entre diferentes idiomas, comprometendo a
escalabilidade e aplicabilidade prática. Neste contexto, este trabalho
propõe a utilização do SignWriting, um sistema padronizado de notação
visual que codifica gestos de forma independente do idioma, como
alternativa para um reconhecimento universal de gestos. A metodologia
emprega o MediaPipe para extração automática de marcos anatômicos das mãos,
seguida de técnicas de normalização espacial e aumento sintético de dados a
fim de mitigar variabilidades individuais e ambientais. O modelo foi
avaliado em 16 conjuntos de dados distintos, abrangendo 132 classes de
gestos provenientes de múltiplas regiões e línguas de sinais. Os resultados
obtidos indicam robustez na generalização inter-linguagens, corroborando o
potencial do SignWriting como ferramenta unificadora. Adicionalmente,
análises de sensibilidade evidenciaram a influência dos erros de detecção
de marcos sobre o desempenho do classificador, apontando direções para
futuras melhorias. Todos os artefatos digitais encontram-se disponíveis no
repositório público <https://github.com/karo-txs/signwriting-recognition>.