Sign Language Recognition（SLR）面临签字速度变化和空间复杂性的双重挑战。印度手语（ISL）具有双手协同的固有特性，但受限于大词汇量基准稀缺，且传统模型难以适应不规则的签字速度。为此，本文提出一种结构感知的混合框架用于高效的 gloss ISL 识别。
首先，引入基于熵的 SVD 采样器，在视频序列中动态挑选信息丰富的关键帧，以降低计算冗余。由于采样导致物理时间间隔不均匀，网络采用 Continuous Dual Positional Encoding 与距离感知的 Elastic Transformer 相结合，保持自然的签字节奏。
空间建模方面，Kinematically-Conditioned Adaptive GCN 使用统一的骨骼-关节特征，显式捕获双手几何关系。为验证方法，构建了包含 120 类、9453 条原生 ISL 视频的数据库，并通过 Physical Node Dropout 与 ArcFace 优化减轻主体特定记忆。实验得到 89.8% 的准确率，奠定了复杂手语建模的强基准。
点评