Varias compañías, como Kintrans ou Signall, tentaron nos últimos anos desenvolver software capaz de interpretar a linguaxe de signos, permitindo así aos seus usuarios comunicarse facilmente con calquera persoa. Pero o certo é que non tiveron gran éxito ata agora.
Con todo, un novo algoritmo desenvolvido polos Google AI Labs, podería ser a clave para materializar ao fin un sistema usable de tradución simultánea entre persoas xordas e oíntes. E bastaría, para iso, con usar un smartphone.
Este novo algoritmo é capaz de seguir o movemento das mans do usuario unha vez que tivo a ocasión de mapealas enfoncándoas coa cámara do seu móbil. "A nosa solución utiliza aprendizaxe automática para calcular os 21 puntos clave en 3D dunha man dentro dun fotograma de vídeo".
Pero este aspecto do algoritmo non foi fácil de desenvolver: os diferentes tamaños de cada man, a velocidade dos seus movementos e o feito de que, durante a conversación, uns dedos poidan obstruir a visión doutros... todos estes aspectos constituíron interesantes retos para os investigadores.
Para reducir os requirimentos de hardware do algoritmo, apostaron por reducir a cantidade de datos que o algoritmo necesitaba analizar, para que así o tempo de resposta fose menor. Así, abandonaron a idea de detectar a posición e o tamaño de toda a man como conxunto, e empezaron por detectar a palma (a parte máis distintiva e regular da mesma).
A continuación, o sistema detecta os cinco elementos que brotan da mesma (os dedos). Para lograr todo isto, fixeron que a IA analizase 30.000 imaxes (cada unha con diferentes poses e condicións de iluminación) e aprendese de todas elas, aínda que iso requiriu que un equipo de humanos etiquetase manualmente os 21 puntos clave en cada unha desas imaxes.
Agora, é capaz de recoñecer o tamaño e ángulos das palmas das mans,** asignándolles coordenadas en base á posición estimada dos dedos e cotobelos**. O algoritmo tamén permite calcular a profundidade dos elementos da imaxe.
No seu blogue corporativo, os investigadores de Google AI Labs explican que a novidade da súa proposta reside en que rompe co enfoque ata agora vixente, baseado en potentes contornas de escritorio, logrando un rendemento en tempo real a pesar de funcionar en teléfonos móbiles.
Desde Google afirman que seguirán traballando en mellorar a súa precisión e anuncian a dispoñibilidade do código fonte do algoritmo para outros investigadores que queiran consultalo.
Rexístrate como:
