大規模画像言語モデルを活用した連続手話認識の高度化

大規模な画像-テキストペアデータを活用して開発された視覚言語モデル(CLIP)の高品質な特徴を効率的に転移学習し、限られたデータでも優れた連続手話認識性能を実現する。