本文研究了孤立手语识别（ISLR）的自监督学习方法，通过四种基于Transformer的方法和四种预训练数据方案在WLASL2000数据集上的组合进行了深入分析。发现MaskFeat在WLASL2000数据集上的准确率达到79.02％，证明了这些模型产生ASL手势表示的能力。同时强调了架构和预训练任务选择在ISLR中的重要性，特别是在WLASL2000数据集上验证了掩码重构预训练的强大性能和层次视觉Transformer在手语表示中的重要性。