Towards Better Transition Modeling in Recurrent Neural Networks: the Case of Sign Language Tokenization

Pierre Poitier; Benoît Frénay; Jerome Fink

Towards Better Transition Modeling in Recurrent Neural Networks: the Case of Sign Language Tokenization

Titre traduit de la contribution: Vers une meilleure modélisation des transitions dans les réseaux neuronaux récurrents : le cas de la tokénisation de la langue des signes

Pierre Poitier, Benoît Frénay, Jerome Fink

Résultats de recherche: Contribution dans un livre/un catalogue/un rapport/dans les actes d'une conférence › Article dans les actes d'une conférence/un colloque

81 Téléchargements (Pure)

Résumé

Cet article met en lumière, dans le cas de la tokenization de la langue des signes francophone de Belgique, l'intérêt de développer de meilleures méthodes pour modéliser les transitions dans les réseaux récurrents et montre que les méthodes existantes sont actuellement insuffisantes.

Titre traduit de la contribution	Vers une meilleure modélisation des transitions dans les réseaux neuronaux récurrents : le cas de la tokénisation de la langue des signes
langue originale	Anglais
titre	ESANN 2022
Sous-titre	30th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning
Editeur	i6doc.com
Nombre de pages	6
ISBN (Electronique)	9782875870841
ISBN (imprimé)	9782875870834
Etat de la publication	Publié - 7 oct. 2022
Evénement	30th European Symposium on Artificial Neural Networks (ESANN 2022) - Novotel hotel, Katelijnestraat 65B, Bruges, Belgique Durée: 5 oct. 2022 → 7 oct. 2022 https://www.esann.org/proceedings/2022

Une conférence

Une conférence	30th European Symposium on Artificial Neural Networks (ESANN 2022)
Titre abrégé	ESANN 2022
Pays/Territoire	Belgique
La ville	Bruges
période	5/10/22 → 7/10/22
Adresse Internet	https://www.esann.org/proceedings/2022

mots-clés

Deep Learning
Recurrent neural network
French Belgian Sign Language (LSFB)
LSTM
EDRN
Mogrifier LSTM

Accès au document

Towards Better Transition Modeling in Recurrent Neural Networks_acceptedAccepted author manuscript, 549 KB
Towards Better Transition Modeling in Recurrent Neural Networks_officialVersion finale publiée, 1,76 MB

Contient cette citation

@inproceedings{847dd18c21e546df95ca0565231d65dd,

title = "Towards Better Transition Modeling in Recurrent Neural Networks: the Case of Sign Language Tokenization",

abstract = "Cet article met en lumi{\`e}re, dans le cas de la tokenization de la langue des signes francophone de Belgique, l'int{\'e}r{\^e}t de d{\'e}velopper de meilleures m{\'e}thodes pour mod{\'e}liser les transitions dans les r{\'e}seaux r{\'e}currents et montre que les m{\'e}thodes existantes sont actuellement insuffisantes.",

keywords = "Deep Learning, Recurrent neural network, French Belgian Sign Language (LSFB), LSTM, EDRN, Mogrifier LSTM",

author = "Pierre Poitier and Beno{\^i}t Fr{\'e}nay and Jerome Fink",

year = "2022",

month = oct,

day = "7",

language = "English",

isbn = "9782875870834",

booktitle = "ESANN 2022",

publisher = "i6doc.com",

note = "30th European Symposium on Artificial Neural Networks (ESANN 2022) ; Conference date: 05-10-2022 Through 07-10-2022",

url = "https://www.esann.org/proceedings/2022",

}

Poitier, P , Frénay, B & Fink, J 2022, Towards Better Transition Modeling in Recurrent Neural Networks: the Case of Sign Language Tokenization. Dans ESANN 2022: 30th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning . i6doc.com, 30th European Symposium on Artificial Neural Networks (ESANN 2022), Bruges, Belgique, 5/10/22.

Towards Better Transition Modeling in Recurrent Neural Networks: the Case of Sign Language Tokenization. / Poitier, Pierre ; Frénay, Benoît ; Fink, Jerome.
ESANN 2022: 30th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning . i6doc.com, 2022.

Résultats de recherche: Contribution dans un livre/un catalogue/un rapport/dans les actes d'une conférence › Article dans les actes d'une conférence/un colloque

TY - GEN

T1 - Towards Better Transition Modeling in Recurrent Neural Networks

T2 - 30th European Symposium on Artificial Neural Networks (ESANN 2022)

AU - Poitier, Pierre

AU - Frénay, Benoît

AU - Fink, Jerome

PY - 2022/10/7

Y1 - 2022/10/7

N2 - Cet article met en lumière, dans le cas de la tokenization de la langue des signes francophone de Belgique, l'intérêt de développer de meilleures méthodes pour modéliser les transitions dans les réseaux récurrents et montre que les méthodes existantes sont actuellement insuffisantes.

AB - Cet article met en lumière, dans le cas de la tokenization de la langue des signes francophone de Belgique, l'intérêt de développer de meilleures méthodes pour modéliser les transitions dans les réseaux récurrents et montre que les méthodes existantes sont actuellement insuffisantes.

KW - Deep Learning

KW - Recurrent neural network

KW - French Belgian Sign Language (LSFB)

KW - LSTM

KW - EDRN

KW - Mogrifier LSTM

M3 - Conference contribution

SN - 9782875870834

BT - ESANN 2022

PB - i6doc.com

Y2 - 5 October 2022 through 7 October 2022

ER -