KR102258906B1 - Method and apparatus for spoken language to sign language translation using attention-based artificial neural machine translation approach - Google Patents
Method and apparatus for spoken language to sign language translation using attention-based artificial neural machine translation approach Download PDFInfo
- Publication number
- KR102258906B1 KR102258906B1 KR1020190086169A KR20190086169A KR102258906B1 KR 102258906 B1 KR102258906 B1 KR 102258906B1 KR 1020190086169 A KR1020190086169 A KR 1020190086169A KR 20190086169 A KR20190086169 A KR 20190086169A KR 102258906 B1 KR102258906 B1 KR 102258906B1
- Authority
- KR
- South Korea
- Prior art keywords
- sentence
- sign language
- spoken
- neural network
- artificial neural
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
본 발명은 주의 기반 인공신경망 기계 번역 모델을 사용하여 구어에서 수어로 번역하는 인공신경망 기계 번역 방법 및 그 장치에 관한 것으로, 구어 문장에서 언어학적 자질들을 추출하는 단계, 상기 구어 문장 및 상기 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합하는 단계 및 상기 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력하는 단계를 포함한다.The present invention relates to an artificial neural network machine translation method and apparatus for translating from spoken language to sign language using an attention-based neural network machine translation model, the steps of extracting linguistic features from spoken sentences, the spoken sentences and the linguistic qualities and combining them into a single vector by embedding them in parallel, and outputting a sign language word sequence by inputting a sentence vectorized by the combined vector into an artificial neural network translation model.
Description
본 발명은 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치에 관한 것으로, 보다 상세하게는 주의 기반 인공신경망 기계 번역 모델을 사용하여 구어에서 수어로 번역하는 기술에 관한 것이다. The present invention relates to a method and apparatus for an attention-based artificial neural network machine translation from spoken language to sign language, and more particularly, to a technology for translating from spoken language to sign language using an attention-based artificial neural network machine translation model.
인공신경망 기반의 번역 기술은 최근 매우 빠르게 성장하고 있다. 이는 매년 더 자연스러운 표현을 생성해내고, 그에 따라 번역 품질 또한 상승하고 있다.Translation technology based on artificial neural networks is growing very rapidly recently. It produces more natural representations every year, and the translation quality is also rising accordingly.
번역 기술 중 구어(spoken language) 간 번역에서는 인공신경망 기반의 기계 번역 연구가 매우 활발히 되고 있으나, 구어에서 수어(sign language), 또는 그 반대 방향의 번역은 아직 진행된 연구가 부족하다. 특히, 한국어에서 한국수어로의 인공신경망 기반 기계 번역 기술 도입 사례는 보고된 바 없다.Among the translation technologies, artificial neural network-based machine translation research is very active in translation between spoken languages, but studies on translation from spoken language to sign language or vice versa are still lacking. In particular, there has been no report on the introduction of artificial neural network-based machine translation technology from Korean to Korean sign language.
더욱이, 수어는 공간 언어(spatial language)의 특성을 가지어, 손 뿐만 아니라 얼굴(눈, 눈썹, 입, 응시 방향 등)과 상체와 같은 비수지 부분(non-manual parts)으로도 표현되는 다중채널 언어(multi-channel language)이므로, 이러한 특성으로 인해 구어 - 수어 간 번역에는 특징적인 어려움이 존재하였다. Moreover, sign language has the characteristics of a spatial language, so it is multi-channel expressed not only by hands but also by non-manual parts such as face (eyes, eyebrows, mouth, gaze direction, etc.) and upper body. Because it is a multi-channel language, there were characteristic difficulties in translation between spoken and signed languages due to these characteristics.
본 발명의 목적은 구어에서 수어로 번역하는 과정에서 인공신경망 기반의 번역 기술을 적용하며, 주의 기반 인공신경망 번역 기술을 사용하는 예시 방법을 제공하고자 한다. An object of the present invention is to provide an exemplary method of applying an artificial neural network-based translation technology in the process of translating from a spoken language to a sign language, and using the attention-based artificial neural network translation technology.
또한, 본 발명의 목적은 구어에서 수어로의 번역을 위해 구어 문장의 언어학적 분석 결과를 인공신경망 기계 번역 모델의 추가적인 입력 값으로 제공하여 보다 정확도 높은 결과를 제공하고자 한다. In addition, it is an object of the present invention to provide a more accurate result by providing a linguistic analysis result of a spoken sentence as an additional input value of an artificial neural network machine translation model for translation from spoken language to sign language.
본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법에 있어서, 구어 문장에서 언어학적 자질들을 추출하는 단계, 상기 구어 문장 및 상기 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합하는 단계 및 상기 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력하는 단계를 포함한다.In the attention-based neural network machine translation method from spoken language to sign language according to an embodiment of the present invention, the steps of extracting linguistic features from a spoken sentence, parallel embedding of the spoken sentence and the linguistic features, and combining them into one vector and outputting a sign language word sequence by inputting the vectorized sentence by the combined vector into an artificial neural network translation model.
또한, 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 방법은 구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 상기 인공신경망 번역 모델을 학습시키는 단계를 더 포함할 수 있다.In addition, the method for machine translation from spoken language to sign language according to an embodiment of the present invention may further include training the attention-based artificial neural network translation model using a verbal and sign language parallel corpus.
상기 언어학적 자질들을 추출하는 단계는 상기 구어 문장을 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 상기 언어학적 자질들을 추출할 수 있다. In the extracting of the linguistic qualities, the linguistic qualities may be extracted by analyzing the spoken sentence into a morpheme, a sentence type, a sentence form, a sentence tense, and a negative expression.
상기 하나의 벡터로 결합하는 단계는 상기 구어 문장과 그에 대응하는 상기 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 상기 벡터화된 문장을 획득할 수 있다. The combining into one vector may include parallel encoding the spoken sentence and the linguistic features corresponding thereto, and combining the encoded vectors into one vector to obtain the vectorized sentence.
상기 하나의 벡터로 결합하는 단계는 상기 구어 문장의 단어(형태소)와 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 상기 6개의 임베딩 값을 결합하여 상기 벡터화된 문장을 획득할 수 있다. In the step of combining into one vector, the six values of the word (morpheme) and morpheme analysis result, sentence type result, sentence tone analysis result, sentence tense analysis result, and negative expression analysis result of the spoken sentence are embedded in parallel. , it is possible to obtain the vectorized sentence by combining the six embedding values.
상기 수어 단어 시퀀스를 출력하는 단계는 상기 인공신경망 번역 모델에 입력된 상기 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용할 수 있다. In the step of outputting the sign language word sequence, the vectorized sentence input to the artificial neural network translation model is transmitted to the encoder, and the transmitted value is converted into context information by the attention layer to be used as an output of the decoder.
상기 수어 단어 시퀀스를 출력하는 단계는 상기 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 상기 수어 단어 시퀀스를 출력할 수 있다.The outputting of the sign language word sequence may include outputting the sign language word sequence including resin information and non-signal information as an output value of the decoder.
상기 인공신경망 번역 모델을 학습시키는 단계는 상기 구어 문장과 이에 대응하는 상기 수어 단어 시퀀스의 쌍을 나타내는 상기 구어 및 수어 병렬 말뭉치를 사용하여 상기 인공신경망 번역 모델을 학습시킬 수 있다. In the training of the artificial neural network translation model, the artificial neural network translation model may be trained using the oral and sign language parallel corpus representing a pair of the spoken sentence and the sign language word sequence corresponding thereto.
본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 장치에 있어서, 구어 문장에서 언어학적 자질들을 추출하는 추출부, 상기 구어 문장 및 상기 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합하는 결합부 및 상기 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력하는 출력부를 포함한다.In the attention-based artificial neural network machine translation apparatus from spoken language to sign language according to an embodiment of the present invention, an extractor for extracting linguistic features from a spoken sentence, the spoken sentence and the linguistic features are embedded in parallel into one vector It includes a combining unit for combining and an output unit for outputting a sign language word sequence by inputting the sentence vectorized by the combined vector into an artificial neural network translation model.
또한, 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치는 구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 상기 인공신경망 번역 모델을 학습시키는 학습부를 더 포함할 수 있다. In addition, the apparatus for verbal to sign language machine translation according to an embodiment of the present invention may further include a learning unit configured to train the attention-based artificial neural network translation model using a verbal and sign language parallel corpus.
상기 추출부는 상기 구어 문장을 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 상기 언어학적 자질들을 추출할 수 있다. The extraction unit may extract the linguistic qualities by analyzing the spoken sentence into a morpheme, a sentence type, a sentence form, a sentence tense, and a negative expression.
상기 결합부는 상기 구어 문장과 그에 대응하는 상기 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 상기 벡터화된 문장을 획득할 수 있다.The combiner may parallel encode the spoken sentence and the linguistic features corresponding thereto, and combine the encoded vectors into one vector to obtain the vectorized sentence.
상기 결합부는 상기 구어 문장의 단어(형태소)와 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 상기 6개의 임베딩 값을 결합하여 상기 벡터화된 문장을 획득할 수 있다. The combining unit embeds six values of the word (morpheme) and morpheme analysis result, sentence type result, sentence tone analysis result, sentence tense analysis result, and negative expression analysis result of the spoken sentence in parallel in parallel, and the six embedding values can be combined to obtain the vectorized sentence.
상기 출력부는 상기 인공신경망 번역 모델에 입력된 상기 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용할 수 있다. The output unit may transmit the vectorized sentence input to the artificial neural network translation model to the encoder, convert the transmitted value into context information by the attention layer, and use it as an output of the decoder.
상기 출력부는 상기 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 상기 수어 단어 시퀀스를 출력할 수 있다. The output unit may output the sign language word sequence including resin information and non-responsibility information as an output value of the decoder.
상기 학습부는 상기 구어 문장과 이에 대응하는 상기 수어 단어 시퀀스의 쌍을 나타내는 상기 구어 및 수어 병렬 말뭉치를 사용하여 상기 인공신경망 번역 모델을 학습시킬 수 있다. The learning unit may train the artificial neural network translation model by using the oral and sign language parallel corpus representing a pair of the spoken sentence and the sign language word sequence corresponding thereto.
본 발명의 실시예에 따르면, 구어에서 수어로의 번역 결과를 주의 기반 인공신경망 기계 번역 기술을 통해 제공할 수 있다. 이에 따라, 본 발명은 기존에 제공되는 수어로의 번역보다 좀 더 자연스럽고 높은 정확도의 번역 결과를 제공할 수 있다.According to an embodiment of the present invention, a translation result from spoken language to sign language can be provided through attention-based artificial neural network machine translation technology. Accordingly, the present invention can provide a translation result that is more natural and highly accurate than the conventionally provided translation into sign language.
또한, 본 발명의 실시예에 따르면, 구어 문장의 언어학적 분석결과를 자질로 제공함으로써, 수어에서 문법적인 정보를 담고 있는 비수지 표현을 예측하는데 도움을 줄 수 있다. In addition, according to an embodiment of the present invention, by providing the result of linguistic analysis of a spoken sentence as a feature, it can be helpful in predicting a non-responsible expression containing grammatical information in a sign language.
또한, 본 발명의 실시예에 따르면, 한국어 및 한국수어에 한정되지 않는 방법이며, 다른 국가의 구어 - 수어에 알맞은 언어학적 분석방법을 통해 동일한 결과를 제공할 수 있다. In addition, according to an embodiment of the present invention, the method is not limited to Korean and Korean sign language, and the same result can be provided through a linguistic analysis method suitable for the spoken language and sign language of other countries.
도 1은 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 방법의 동작 흐름도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 구어 문장에서 언어학적 자질들을 추출하는 프로세스를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 언어학적 자질들을 병렬적으로 임베딩하여 결합하는 프로세스를 도시한 것이다.
도 4는 본 발명의 실시예에 따른 벡터화된 문장으로부터 수어 단어 시퀀스를 출력하는 프로세스를 도시한 것이다.
도 5는 본 발명의 실시예에 따른 구어 및 수어 병렬 말뭉치를 사용하여 인공신경망 번역 모델을 학습시키는 프로세스를 도시한 것이다.
도 6은 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치의 세부 구성을 블록도로 도시한 것이다.1 is a flowchart illustrating an operation of a method for machine translation from spoken language to sign language according to an embodiment of the present invention.
2 illustrates a process for extracting linguistic features from a spoken sentence according to an embodiment of the present invention.
3 shows a process for embedding and combining linguistic features in parallel according to an embodiment of the present invention.
4 illustrates a process for outputting a sign language word sequence from a vectorized sentence according to an embodiment of the present invention.
5 illustrates a process for training an artificial neural network translation model using a verbal and sign language parallel corpus according to an embodiment of the present invention.
6 is a block diagram illustrating a detailed configuration of a machine translation apparatus from spoken language to sign language according to an embodiment of the present invention.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. However, the present invention is not limited or limited by the examples. In addition, like reference numerals in each figure denote like members.
또한, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 시청자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. In addition, terms used in this specification are terms used to properly express preferred embodiments of the present invention, which may vary depending on the intention of a viewer or operator, or customs in the field to which the present invention belongs. Therefore, definitions of these terms should be made based on the contents throughout the present specification.
도 1은 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 방법의 동작 흐름도를 도시한 것이다.1 is a flowchart illustrating an operation of a method for machine translation from spoken language to sign language according to an embodiment of the present invention.
도 1의 단계는 도 6에 도시된 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치에 의해 수행된다.The step of FIG. 1 is performed by the machine translation device from spoken language to sign language according to the embodiment of the present invention shown in FIG. 6 .
도 1을 참조하면, 단계 110에서, 구어 문장에서 언어학적 자질들을 추출한다. 이하의 본 발명에서는 한국어에서 한국수어로의 기계 번역 과정을 설명하였으나, 한국어 및 한국수어에 한정되지 않는 방법이며, 다른 언어의 구어 - 수어에 알맞게 적용 가능하다. Referring to FIG. 1 , in
단계 110은 구어 문장을 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 언어학적 자질들을 추출할 수 있다. 예를 들면, 단계 110은 한국어 문장에 해당하는 언어학적 분석 결과를 토대로, 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현의 언어학적 자질들로 추출할 수 있다. In
단계 120에서, 구어 문장 및 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합한다. In
단계 120은 구어 문장과 그에 대응하는 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 벡터화된 문장을 획득할 수 있다. In
예를 들면, 단계 110에서 추출된 언어학적 자질들과 한국어 문장은 단계 120에서 인공신경망 번역 모델의 입력 값으로 제공하기 위해 병렬적으로 임베딩을 한 후, 하나의 벡터로 결합되어 단어(또는 형태소) 당 하나의 벡터로 표기될 수 있다. 보다 구체적으로, 단계 120은 한국어 문장의 단어(형태소)와 언어학적 자질들을 나타내는 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 6개의 임베딩 값을 결합하여 벡터화된 문장 또는 벡터화된 한국어 문장을 획득할 수 있다.For example, the linguistic features extracted in
여기서, 상기 인공신경망 번역 모델은 기계 번역(machine translation)으로, 본 발명의 구어에서 수어로의 번역을 수행할 수 있다. Here, the artificial neural network translation model is machine translation, and may perform translation from spoken language to sign language of the present invention.
단계 130에서, 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력한다. In
예를 들면, 단계 130은 벡터화된 한국어 문장을 인공신경망 번역 모델에 입력값으로 사용하여 한국어 문장에 대응되는 한국수어 단어 시퀀스를 출력할 수 있다. 보다 구체적으로, 단계 130은 인공신경망 번역 모델에 입력된 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용할 수 있다. 이에, 단계 130은 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 수어 단어 시퀀스를 출력할 수 있다. For example,
또한, 도 1에 도시된 바와 같이 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 방법은 단계 140을 더 포함할 수 있다.In addition, as shown in FIG. 1 , the method for machine translation from spoken language to sign language according to an embodiment of the present invention may further include
단계 140은 구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 인공신경망 번역 모델을 학습시킬 수 있다.
예를 들면, 단계 140은 한국어 문장과 이에 대응하는 한국수어 단어 시퀀스의 쌍을 나타내는 구어 및 수어 병렬 말뭉치를 사용하여 인공신경망 번역 모델을 학습시킬 수 있다. For example, in
도 2는 본 발명의 실시예에 따른 구어 문장에서 언어학적 자질들을 추출하는 프로세스를 도시한 것이다.2 illustrates a process for extracting linguistic features from a spoken sentence according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치는 한국어 문장에서 언어학적 자질들을 추출하는 추출 프로세스(220)를 수행할 수 있다. Referring to FIG. 2 , an attention-based artificial neural network machine translation method from spoken language to sign language and an apparatus therefor according to an embodiment of the present invention may perform an
예를 들면, 한국어 문장(210)이 다음과 같이 “나는 수어책을 발간했습니다.”로 제공되는 경우, 본 발명은 추출 프로세스(220)를 통해 형태소 분석(221), 문장 유형 분석(222), 문장 태 분석(223), 문장 시제 분석(224) 및 부정 표현 분석(225)의 총 다섯 가지 종류의 분석 단계를 수행하여 한국어 문장(210)에 대한 언어학적 자질들을 추출할 수 있다. For example, when the
본 발명에서 형태소 분석 결과(231)를 사용하는 주 목적으로는 한국어 문장(210)의 구조를 파악하기 위함이며, 이를 통해 주어, 목적어, 대명사 등을 파악할 수 있다. 이를 활용하면 한국수어 표현 중 수향(손바닥의 방향 또는 손의 방향)이나 얼굴 방향을 파악하는데 도움이 된다. The main purpose of using the morpheme analysis result 231 in the present invention is to understand the structure of the
그 외에도, 형태소 분석 결과(231)는 문장 유형 분석(222), 문장 태 분석(223), 문장 시제 분석(224) 및 부정 표현 분석(225)에도 보조적으로 사용될 수 있다. In addition, the
문장 유형 분석 결과(232)는 주로 평서문, 의문문, 명령문, 청유문 및 감탄문의 5가지 형으로 구분될 수 있는데, 이를 활용하면 수어의 문장 구조나 비수지 표현을 포함한 수어 단어를 예측할 수 있다. 예를 들어, 의문문의 경우에는 수어 단어 ‘무엇’과 함께 입을 ‘O’ 모양으로 벌리고, 눈썹은 올리는 비수지 표현이 함께 제공될 수 있다. 나아가, 명령문의 경우에는 눈 부릅 뜸, 입술 다묾, 강경한 얼굴 표정 등을 통합하여 나타낼 수 있으며, 청유문의 경우에는 간절한 얼굴 표정, 눈빛, 고개 움직임 등을 통합하여 나타낼 수 있고, 감탄문의 경우에는 얼굴에 감정 표현으로 나타낼 수 있다. The sentence
문장 태 분석 결과(233)는 능동 또는 피동으로 나뉘는데, 이 경우 수향에 영향을 줄 수 있다. The sentence
문장 시제 분석 결과(234)는 수어 단어 ‘끝’이라는 단어가 문장 끝에 붙거나, 얼굴을 상하로 끄덕이는 비수지 동작을 나타낼 수 있다.The sentence
부정 표현 사용 여부(235)는 비수지 표현으로 자주 나타나는데, 고개 좌우로 움직임, 눈의 움직임, 입술의 움직임 등을 통합하여 나타낼 수 있다. Whether or not to use the
도 3은 본 발명의 실시예에 따른 언어학적 자질들을 병렬적으로 임베딩하여 결합하는 프로세스를 도시한 것이다.3 shows a process for embedding and combining linguistic features in parallel according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치는 한국어 문장과 추출된 언어학적 자질들을 병렬적으로 임베딩하여 결합하는 예시 프로세스(300)를 수행할 수 있다. Referring to FIG. 3 , an
예를 들면, 한국어 문장(210)을 단위 단어 또는 형태소 단위로 나눈 것을 X={x1, x2, … , xn}이라고 하며, 여기서 n은 문장 내 단어 또는 형태소의 개수이다. xi는 추출 프로세스(220)에 의해 추출된 한국어 문장(210)의 언어학적 자질들과 함께 병렬 임베딩층(310)으로 전달되며, 병렬 임베딩층(310)에서 한국어 단어(형태소)와 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 총 6개의 언어학적 자질들 값이 병렬적으로 임베딩될 수 있다.For example, dividing the
이 때, 6개의 임베딩 값은 임베딩 결합층(320)으로 전달되고, 하기의 [수학식 1]과 같이 정의될 수 있다. At this time, the six embedding values are transferred to the embedding
[수학식 1][Equation 1]
여기서 fki는 i번째 단어(형태소)의 k번째 언어학적 자질을 나타내며, vi는 i번째 벡터화된 한국어 단어를 나타낸다. 이에, 본 발명은 벡터화된 한국어 단어 vi를 연속으로 이어 벡터화된 한국어 문장(330)을 획득할 수 있다. Here, f ki represents the k-th linguistic quality of the i-th word (morpheme), and v i represents the i-th vectorized Korean word. Accordingly, in the present invention, the vectorized
도 4는 본 발명의 실시예에 따른 벡터화된 문장으로부터 수어 단어 시퀀스를 출력하는 프로세스를 도시한 것이다.4 illustrates a process for outputting a sign language word sequence from a vectorized sentence according to an embodiment of the present invention.
도 4를 참조하면, 본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치는 인공신경망 번역 모델을 사용하여 벡터화된 한국어 문장으로부터 한국수어 단어 시퀀스를 추출하는 출력 프로세스(400)를 수행할 수 있다. Referring to FIG. 4 , an attention-based neural network machine translation method from spoken language to sign language according to an embodiment of the present invention and an output process for extracting a Korean sign language word sequence from a vectorized Korean sentence using an artificial neural network translation model (400) can be performed.
예를 들면, 벡터화된 한국어 문장(330)이 인공신경망 번역 모델 내 입력으로 주어지면, 인코더(410)에 먼저 전달되고, 모든 전달된 값은 주의 층(430)에 의해 문맥 정보로 변환되며, 이를 디코더(420)의 출력(440)을 예상하는데 사용할 수 있다. 도 4에서 s는 출력 직전의 최종 은닉 층(hidden layer)을 나타내며, 이 출력 값은 다음 단어를 예측하는데 사용된다. For example, if the vectorized
최종 출력 시퀀스 Y={y1, y2, … , yn}는 수어 단어 시퀀스(440)일 수 있다. 이 때 수어 단어는 글로스(gloss)라는 수어 단어의 표제어로 정의되며, 수어 글로스는 주로 수지 정보를 나타내는데 사용되지만 비수지 정보를 포함해서 표기될 수도 있다.Final output sequence Y={y 1 , y 2 , … , y n } may be a sign
본 발명은 최종 출력 값(440)을 수지 정보와 비수지 정보를 포함하는 수어 글로스의 시퀀스로 정의하며, 한국수어 단어 시퀀스를 출력할 수 있다. In the present invention, the
도 4의 인공신경망 번역 모델에서 RNN으로 사용된 셀은 통상적인 표기이며, 이는 GRU, LSTM 또는 Bi-LSTM로 표기 및 대체될 수 있다. A cell used as an RNN in the artificial neural network translation model of FIG. 4 is a conventional notation, and may be denoted and replaced by GRU, LSTM, or Bi-LSTM.
도 5는 본 발명의 실시예에 따른 구어 및 수어 병렬 말뭉치를 사용하여 인공신경망 번역 모델을 학습시키는 프로세스를 도시한 것이다.5 illustrates a process for training an artificial neural network translation model using a verbal and sign language parallel corpus according to an embodiment of the present invention.
도 5를 참조하면, 본 발명의 실시예에 따른 구어에서 수어로의 주의 기반 인공신경망 기계 번역 방법 및 그 장치는 한국어 및 한국수어 병렬 말뭉치를 사용하여 주의 기반 인공신경망 번역 모델을 학습시키는 학습 프로세스를 수행할 수 있다.Referring to FIG. 5 , a method and apparatus for attention-based artificial neural network machine translation from spoken language to sign language according to an embodiment of the present invention is a learning process for learning an attention-based artificial neural network translation model using a parallel corpus of Korean and Korean sign language. can be done
본 발명은 인공신경망 번역 모델을 학습시키기 위해 한국어 문장(522)과 이에 대응하는 한국수어 단어 시퀀스(521) 쌍으로 이루어진 한국어 - 한국수어 병렬 말뭉치(510)를 사용한다.The present invention uses a Korean-Korean sign language parallel corpus 510 consisting of a pair of
이 때, 한국어 문장(522)은 도 2 내지 도 4의 프로세스를 통해 동일한 과정(530, 540)이 수행되며, 추출 프로세스(220), 예시 프로세스(300) 및 출력 프로세스(400)를 통해 획득된 벡터화된 한국어 단어와 한국수어 단어 시퀀스(521)를 각각 인코더 및 디코더에 전달하여 주의 기반 인공신경망 기계 번역 모델을 학습시킬 수 있다(550). At this time, the
학습이 완료되면, 본 발명은 도 1에 도시된 알고리즘과 같이 인공신경망 번역 모델을 사용할 수 있다. When learning is completed, the present invention may use an artificial neural network translation model like the algorithm shown in FIG. 1 .
도 6은 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치의 세부 구성을 블록도로 도시한 것이다.6 is a block diagram illustrating a detailed configuration of a machine translation apparatus from spoken language to sign language according to an embodiment of the present invention.
도 6을 참조하면, 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치는 주의 기반 인공신경망 기계 번역 모델을 사용하여 구어에서 수어로 번역한다.Referring to FIG. 6 , the apparatus for translation from spoken language to sign language according to an embodiment of the present invention translates from spoken language to sign language using an attention-based artificial neural network machine translation model.
이를 위해, 본 발명의 실시예에 따른 구어에서 수어로의 기계 번역 장치(600)는 추출부(610), 결합부(620) 및 출력부(630)를 포함하며, 학습부(640)를 더 포함할 수 있다. To this end, the
추출부(610)는 구어 문장에서 언어학적 자질들을 추출한다. The
추출부(610)는 구어 문장을 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 언어학적 자질들을 추출할 수 있다. 예를 들면, 추출부(610)는 한국어 문장에 해당하는 언어학적 분석 결과를 토대로, 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현의 언어학적 자질들로 추출할 수 있다.The
결합부(620)는 구어 문장 및 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합한다. The
결합부(620)는 구어 문장과 그에 대응하는 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 벡터화된 문장을 획득할 수 있다. The
예를 들면, 추출부(610)에서 추출된 언어학적 자질들과 한국어 문장은 결합부(620)에서 인공신경망 번역 모델의 입력값으로 제공하기 위해 병렬적으로 임베딩을 한 후, 하나의 벡터로 결합되어 단어(또는 형태소) 당 하나의 벡터로 표기될 수 있다. 보다 구체적으로, 결합부(620)는 한국어 문장의 단어(형태소)와 언어학적 자질들을 나타내는 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 6개의 임베딩 값을 결합하여 벡터화된 문장 또는 벡터화된 한국어 문장을 획득할 수 있다. For example, the linguistic features and Korean sentences extracted by the
출력부(630)는 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력한다. The
예를 들면, 출력부(630)는 벡터화된 한국어 문장을 인공신경망 번역 모델에 입력값으로 사용하여 한국어 문장에 대응되는 한국수어 단어 시퀀스를 출력할 수 있다. 보다 구체적으로, 출력부(630)는 인공신경망 번역 모델에 입력된 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용할 수 있다. 이에, 출력부(630)는 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 수어 단어 시퀀스를 출력할 수 있다. For example, the
학습부(640)는 구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 인공신경망 번역 모델을 학습시킬 수 있다. The
예를 들면, 학습부(640)는 구어 문장과 이에 대응하는 수어 단어 시퀀스의 쌍을 나타내는 구어 및 수어 병렬 말뭉치를 사용하여 인공신경망 번역 모델을 학습시킬 수 있다. For example, the
비록, 도 6의 장치에서 그 설명이 생략되었더라도, 본 발명에 따른 장치는 상기 도 1 내지 도 5에서 설명한 모든 내용을 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.Although the description of the device of FIG. 6 is omitted, it is obvious to those skilled in the art that the device according to the present invention may include all the contents described with reference to FIGS. 1 to 5 .
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. Further, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to operate as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or, to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described by the limited embodiments and drawings as described above, various modifications and variations can be made from the above description to those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as systems, structures, devices, circuits, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and those equivalent to the claims also fall within the scope of the claims to be described later.
Claims (16)
구어 문장에서 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 언어학적 자질들을 추출하는 단계;
상기 구어 문장 및 상기 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합하는 단계; 및
상기 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력하는 단계를 포함하되,
구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 상기 인공신경망 번역 모델을 학습시키는 단계를 더 포함하며,
상기 하나의 벡터로 결합하는 단계는
상기 구어 문장의 단어(형태소)와 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 상기 6개의 임베딩 값을 결합하여 상기 벡터화된 문장을 획득하고,
상기 수어 단어 시퀀스를 출력하는 단계는
상기 인공신경망 번역 모델에 입력된 상기 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용하는, 구어에서 수어로의 기계 번역 방법. In the attention-based neural network machine translation method from spoken language to sign language,
extracting linguistic qualities by analyzing morphemes, sentence types, sentence tones, sentence tenses, and negative expressions from spoken sentences;
combining the oral sentences and the linguistic features into a single vector by embedding them in parallel; and
and outputting a sign language word sequence by inputting the vectorized sentence by the combined vector into an artificial neural network translation model,
Further comprising the step of training the attention-based neural network translation model using a verbal and sign language parallel corpus,
The step of combining into one vector is
The six values of the word (morpheme) and morpheme analysis result, sentence type result, sentence tone analysis result, sentence tense analysis result, and negative expression analysis result of the spoken sentence are embedded in parallel, and the six embedding values are combined. obtaining the vectorized sentence,
The step of outputting the sign language word sequence is
A method for machine translation from spoken language to sign language, wherein the vectorized sentence input to the artificial neural network translation model is transmitted to an encoder, and the transmitted value is converted into context information by an attention layer and used as an output of a decoder.
상기 하나의 벡터로 결합하는 단계는
상기 구어 문장과 그에 대응하는 상기 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 상기 벡터화된 문장을 획득하는, 구어에서 수어로의 기계 번역 방법.The method of claim 1,
The step of combining into one vector is
A method for machine translation from spoken language to sign language, comprising parallel encoding the spoken sentence and the linguistic features corresponding thereto, and combining the encoded vectors into one vector to obtain the vectorized sentence.
상기 수어 단어 시퀀스를 출력하는 단계는
상기 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 상기 수어 단어 시퀀스를 출력하는, 구어에서 수어로의 기계 번역 방법.The method of claim 1,
The step of outputting the sign language word sequence is
and outputting the sign language word sequence including resin information and non-balance information as an output value of the decoder.
상기 인공신경망 번역 모델을 학습시키는 단계는
상기 구어 문장과 이에 대응하는 상기 수어 단어 시퀀스의 쌍을 나타내는 상기 구어 및 수어 병렬 말뭉치를 사용하여 상기 인공신경망 번역 모델을 학습시키는 것을 특징으로 하는, 구어에서 수어로의 기계 번역 방법.The method of claim 1,
The step of training the artificial neural network translation model is
The method for machine translation from spoken language to sign language, characterized in that the artificial neural network translation model is trained by using the oral and sign language parallel corpus representing a pair of the spoken sentence and the sign language word sequence corresponding thereto.
구어 문장에서 형태소, 문장 유형, 문장 태, 문장 시제 및 부정 표현으로 분석하여 언어학적 자질들을 추출하는 추출부;
상기 구어 문장 및 상기 언어학적 자질들을 병렬 임베딩하여 하나의 벡터로 결합하는 결합부; 및
상기 결합된 벡터에 의한 벡터화된 문장을 인공신경망 번역 모델에 입력하여 수어 단어 시퀀스를 출력하는 출력부를 포함하되,
구어 및 수어 병렬 말뭉치를 사용하여 주의 기반 상기 인공신경망 번역 모델을 학습시키는 학습부를 더 포함하며,
상기 결합부는
상기 구어 문장의 단어(형태소)와 형태소 분석 결과, 문장 유형 결과, 문장 태 분석 결과, 문장 시제 분석 결과 및 부정 표현 분석 결과의 6개의 값을 병렬적으로 임베딩하며, 상기 6개의 임베딩 값을 결합하여 상기 벡터화된 문장을 획득하고,
상기 출력부는
상기 인공신경망 번역 모델에 입력된 상기 벡터화된 문장을 인코더에 전달하며, 전달된 값을 주의 층에 의해 문맥 정보로 변환하여 디코더의 출력으로 사용하는, 구어에서 수어로의 기계 번역 장치. In the attention-based artificial neural network machine translation apparatus from spoken language to sign language,
an extraction unit for extracting linguistic qualities by analyzing morphemes, sentence types, sentence tones, sentence tenses, and negative expressions from spoken sentences;
a combiner for parallel embedding the spoken sentence and the linguistic features and combining them into a single vector; and
An output unit for outputting a sign language word sequence by inputting the vectorized sentence by the combined vector into an artificial neural network translation model,
Further comprising a learning unit for learning the attention-based artificial neural network translation model using a verbal and sign language parallel corpus,
the coupling part
The six values of the word (morpheme) and morpheme analysis result, sentence type result, sentence tone analysis result, sentence tense analysis result, and negative expression analysis result of the spoken sentence are embedded in parallel, and the six embedding values are combined. obtaining the vectorized sentence,
the output unit
A machine translation apparatus from spoken language to sign language that transmits the vectorized sentence input to the artificial neural network translation model to an encoder, converts the transmitted value into context information by an attention layer, and uses it as an output of a decoder.
상기 결합부는
상기 구어 문장과 그에 대응하는 상기 언어학적 자질들을 병렬 인코딩하며, 인코딩된 벡터들을 하나의 벡터로 결합하여 상기 벡터화된 문장을 획득하는, 구어에서 수어로의 기계 번역 장치.The method of claim 9,
the coupling part
A machine translation device from spoken language to sign language, which parallel encodes the spoken sentence and the linguistic features corresponding thereto, and combines the encoded vectors into one vector to obtain the vectorized sentence.
상기 출력부는
상기 디코더의 출력 값으로 수지 정보와 비수지 정보를 포함하는 상기 수어 단어 시퀀스를 출력하는, 구어에서 수어로의 기계 번역 장치.The method of claim 9,
the output unit
and outputting the sign language word sequence including resin information and non-balance information as an output value of the decoder.
상기 학습부는
상기 구어 문장과 이에 대응하는 상기 수어 단어 시퀀스의 쌍을 나타내는 상기 구어 및 수어 병렬 말뭉치를 사용하여 상기 인공신경망 번역 모델을 학습시키는 것을 특징으로 하는, 구어에서 수어로의 기계 번역 장치.
The method of claim 9,
the learning unit
The machine translation apparatus from spoken language to sign language, characterized in that the artificial neural network translation model is trained using the oral and sign language parallel corpus representing the pair of the spoken sentence and the sign language word sequence corresponding thereto.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20190057760 | 2019-05-17 | ||
KR1020190057760 | 2019-05-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200132619A KR20200132619A (en) | 2020-11-25 |
KR102258906B1 true KR102258906B1 (en) | 2021-06-01 |
Family
ID=73645231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190086169A KR102258906B1 (en) | 2019-05-17 | 2019-07-17 | Method and apparatus for spoken language to sign language translation using attention-based artificial neural machine translation approach |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102258906B1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102370993B1 (en) * | 2021-05-25 | 2022-03-07 | 주식회사 디블렌트 | Artificial Intelligence sign language service system with real-time translation and communication based on neural network |
CN113780059B (en) * | 2021-07-24 | 2024-07-19 | 上海大学 | Continuous sign language identification method based on multiple feature points |
KR102571899B1 (en) * | 2022-10-20 | 2023-08-30 | 주식회사 인피닉 | Method for translate sign language text, and computer program recorded on record-medium for executing method thereof |
KR102571902B1 (en) * | 2023-03-09 | 2023-08-30 | 주식회사 인피닉 | Method for translate sign language gloss using transformer, and computer program recorded on record-medium for executing method thereof |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102061044B1 (en) | 2013-04-30 | 2020-01-02 | 삼성전자 주식회사 | Method and system for translating sign language and descriptive video service |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102342066B1 (en) * | 2017-06-21 | 2021-12-22 | 삼성전자주식회사 | Method and apparatus for machine translation using neural network and method for learning the appartus |
KR102069692B1 (en) * | 2017-10-26 | 2020-01-23 | 한국전자통신연구원 | Neural machine translation method and apparatus |
-
2019
- 2019-07-17 KR KR1020190086169A patent/KR102258906B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102061044B1 (en) | 2013-04-30 | 2020-01-02 | 삼성전자 주식회사 | Method and system for translating sign language and descriptive video service |
Non-Patent Citations (1)
Title |
---|
조정란 외, ‘수화번역시스템을 위한 인공신경망의 응용’, 한국컴퓨터정보학회 논문지 24(2), 2019.02.* |
Also Published As
Publication number | Publication date |
---|---|
KR20200132619A (en) | 2020-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102258906B1 (en) | Method and apparatus for spoken language to sign language translation using attention-based artificial neural machine translation approach | |
KR102382499B1 (en) | Translation method, target information determination method, related apparatus and storage medium | |
JP2023509031A (en) | Translation method, device, device and computer program based on multimodal machine learning | |
KR102589637B1 (en) | Method and apparatus for performing machine translation | |
WO2020215551A1 (en) | Chinese speech synthesizing method, apparatus and device, storage medium | |
CN112487182A (en) | Training method of text processing model, and text processing method and device | |
CN106227721B (en) | Chinese Prosodic Hierarchy forecasting system | |
CN107731228A (en) | The text conversion method and device of English voice messaging | |
CN107967262A (en) | A kind of neutral net covers Chinese machine translation method | |
CN110162800A (en) | The training method and device of translation model | |
KR102315830B1 (en) | Emotional Classification Method in Dialogue using Word-level Emotion Embedding based on Semi-Supervised Learning and LSTM model | |
CN110196967A (en) | Sequence labelling method and apparatus based on depth converting structure | |
JP6946842B2 (en) | Model learners, converters, methods, and programs | |
KR20210044559A (en) | Method and device for determining output token | |
CN111951781A (en) | Chinese prosody boundary prediction method based on graph-to-sequence | |
CN111144140A (en) | Zero-learning-based Chinese and Tai bilingual corpus generation method and device | |
CN111986687A (en) | Bilingual emotion dialogue generation system based on interactive decoding | |
CN115719072A (en) | Chapter-level neural machine translation method and system based on mask mechanism | |
CN113823259B (en) | Method and device for converting text data into phoneme sequence | |
KR101929509B1 (en) | Device and method for composing morpheme | |
CN113129862B (en) | Voice synthesis method, system and server based on world-tacotron | |
KR102674639B1 (en) | Electronic device for decrypting ciphertext using neural network model and controlling method thereof | |
CN112989845B (en) | Chapter-level neural machine translation method and system based on routing algorithm | |
KR102501869B1 (en) | Document-level sentiment classification method and apparatus based on importance of sentences | |
CN114694633A (en) | Speech synthesis method, apparatus, device and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |