防不胜防！现在， AI只需要听你的声音，就能知道你说话手势了。
这项“脑补力”Max的新研究，来自UC伯克利大学等机构，被今年的学术顶级会议CVPR 2019收录。
不信？看看美国知名脱口秀Last Week Night主持人Oliver就知道了，他的手势已经被AI研究透了。说话的时候，肩膀什么角度，手指如何挥动，预测得一清二楚。
看到这项研究之后，就有网友评论称，不知道它能不能预测川普的魔性手势？
也有人表示，还好这只是项研究，如果能够应用到现实中，那还了得？
以后打电话，一边在电话里说着爱对方，一边却搞著小动作，会暴露的。
手势，是人们在说话过程中自发发出的行为，用于补充语音资讯，来帮助更好地传递说话人的想法。
通常情况下， 说话的时候，手势与话语都是有关联的。但想要从话语中获取手势资讯，还需要学习音讯和手势之间的对映关系。在实践中，还有不少麻烦：
为了解决这些问题，研究人员提出了一种时间跨模态翻译的方法，采用端到端的方式将语音转换成手势，并使用了范围非常大的时间背景来进行预测，以此克服异步性问题。
他们建立了一个由10名说话人组成的144个小时的大型个人视讯资料集。为了体现出模型的适用范围，说话人的背景不尽相同：有电视节目主持人、大学教师和电视上的福音传道者。
给定一段语音，通过翻译模型（G）预测说话人与话语匹配的手势动作（手和胳膊的运动）。
然后采用回归函式（L1）从资料中提出训练讯号，并通过度抗性鉴别器来确保预测的只是在时间上与话语是一致的，并符合说话人的风格。
整个卷积网络，由一个音讯编码器和一个1D UNet翻译架构组成。音讯编码器采用2D对数-梅尔频谱图作为输入，并通过一系列卷积对其进行下采样，从而产生与视讯取样率相同的1D讯号(15 Hz)。
UNet翻译架构随后通过L1回归损失学会将该讯号对映到手势向量的时间堆叠。
之所以使用UNet架构进行翻译，是因为它的瓶颈为网络提供了过去和未来的时间上下文，允许高频时间资讯流过，从而能够预测快速的手势运动。
虽然L1回归是从资料中提取训练讯号的唯一方法，但它存在回归均值的已知问题，这种回归均值会产生过度平滑的运动。为了解决这个问题，添加了一个以预测的姿态序列的差异为条件对抗性鉴别器。
这一研究的作者，大部分来自UC伯克利。
一作为Shiry Ginosar，UC伯克利计算机系的博士生。之前是人机互动领域的研究员，曾经在CMU计算机系做访问学者。
共同一作为Amir Bar，是一名生活在伯克利的机器学习工程师。目前，在Zebra Medical Vision工作，致力于提高医疗保健领域的效率。
他们在论文中说，这一研究是朝着对话手势的计算分析迈出的一步，之后也可以用于驱动虚拟任务的行为。
http://people.eecs.berkeley.edu/~shiry/speech2gesture/
https://github.com/amirbar/speech2gesture
小程式|全类别AI学习教程
AI社群|与优秀的人交流
喜欢就点“在看”吧 !
