フィンガースペルとは、単語を一文字ずつ符号化することであり、アメリカ手話の重要な要素である。 フィンガースペルの自動認識に関するこれまでの研究のほとんどは、手話映像中のフィンガースペル領域の境界が事前にわかっていることを前提としていた。本論文では、トリミングされていない生の手話映像から、指文字を検出するタスクを検討する。