前言

計算機視覺可以學習美式手語，進而幫助聽力障礙群體嗎？數據科學家David Lee用一個項目給出了答案。

如果聽不到了，你會怎么辦？如果只能用手語交流呢？

當對方無法理解你時，即使像訂餐、討論財務事項，甚至和朋友家人對話這樣簡單的事情也可能令你氣餒。對普通人而言輕輕松松的事情對于聽障群體可能是很困難的，他們甚至還會因此遭到歧視。

在很多場景下，他們無法獲取合格的翻譯服務，從而導致失業、社會隔絕和公共衛生問題。為了讓更多人聽到聽障群體的聲音，數據科學家 David Lee 嘗試利用數據科學項目來解決這一問題：計算機視覺可以學習美式手語，進而幫助聽力障礙群體嗎？

如果通過機器學習應用可以精確地翻譯美式手語，即使從最基礎的字母表開始，我們也能向著為聽力障礙群體提供更多的便利和教育資源前進一步。

數據和項目介紹

出于多種原因，David Lee決定創建一個原始圖像數據集。首先，基于移動設備或攝像頭設置想要的環境，需要的分辨率一般是720p或1080p。現有的幾個數據集分辨率較低，而且很多不包括字母「J」和「Z」，因為這兩個字母需要一些動作才能完成。

為此，David Lee 在社交平臺上發送了手語圖像數據收集請求，介紹了這個項目和如何提交手語圖像的說明，希望借此提高大家的認識并收集數據。

數據變形和過采樣

David Lee 為該項目收集了 720 張圖片，其中還有幾張是他自己的手部圖像。由于這個數據集規模較小，于是 David 使用 labelImg 軟件手動進行邊界框標記，設置變換函數的概率以基于同一張圖像創建多個實例，每個實例上的邊界框有所不同。下圖展示了數據增強示例：

經過數據增強后，該數據集的規模從 720 張圖像擴展到 18，000 張圖像。

建模

David 選擇使用 YOLOv5 進行建模。將數據集中 90% 的圖像用作訓練數據，10% 的圖像用作驗證集。使用遷移學習和 YOLOv5m 預訓練權重訓練 300 個 epoch。

在驗證集上成功創建具備標簽和預測置信度的新邊界框。

由于損失值并未出現增長，表明模型未過擬合，因此該模型或許可以訓練更多輪次。模型最終獲得了 85.27% 的 mAP@.5：.95 分數。

圖像推斷測試

David 額外收集了他兒子的手部圖像數據作為測試集。事實上，還沒有兒童手部圖像用于訓練該模型。理想情況下，再多幾張圖像有助于展示模型的性能，但這只是個開始。

26 個字母中，有 4 個沒有預測結果（分別是 G、H、J 和 Z）。四個沒有得到準確預測：

D 被預測為 F；

E 被預測為 T；

P 被預測為 Q；

R 被預測為 U。

視頻推斷測試

即使只有幾個手部圖像用于訓練，模型仍能在如此小的數據集上展現不錯的性能，而且還能以一定的速度提供優秀的預測結果，這一結果表現出了很大的潛力。更多數據有助于創建可在多種新環境中使用的模型。如以上視頻所示，即使字母有一部分出框了，模型仍能給出不錯的預測結果。最令人驚訝的是，字母 J 和 Z 也得到了準確識別。

其他測試

執行其他一些測試，例如：左手手語測試

幾乎所有原始圖像都顯示的是右手，但驚喜地發現數據增強在這里起到了作用，因為有 50% 的可能性是針對左手用戶進行水平翻轉。

兒童手語測試

兒童的手語數據未被用于訓練集，但模型對此仍有不錯的預測。

多實例

盡管手語的使用和視頻中有所不同，但這個示例表明當多個人出現在屏幕上時，模型可以分辨出不止一個手語實例。

模型局限性

發現該模型還有一些地方有待改進。

距離

許多原始圖像是用手機拍攝的，手到攝像頭的距離比較近，這對遠距離推斷有一定負面影響。

新環境

這支視頻來自于志愿者，未用于模型訓練。盡管模型看到過很多字母，但對此的預測置信度較低，還有一些錯誤分類。

背景推斷

該測試旨在驗證不同的背景會影響模型的性能。

結論

這個項目表明：計算機視覺可用于幫助聽力障礙群體獲取更多便利和教育資源！該模型在僅使用小型數據集的情況下仍能取得不錯的性能。即使對于不同環境中的不同手部，模型也能實現良好的檢測結果。

而且一些局限性是可以通過更多訓練數據得到解決的。經過調整和數據集的擴大，該模型或許可以擴展到美式手語字母表以外的場景。

責任編輯：lq