專訪上海大學(xué)方昱春教授：數(shù)據(jù)驅(qū)動的手語識別研究，如何破解數(shù)據(jù)之困？｜GAIR live

在科技日新月異的今天，手語識別作為一種新興的跨學(xué)科研究領(lǐng)域，正逐漸走進公眾視野。

近期，我們邀請了上海大學(xué)的方昱春教授，這位在計算機視覺和手語研究領(lǐng)域深耕多年的資深專家，與我們分享了她如何將計算機視覺技術(shù)與手語研究相融合，開辟出一片新的研究天地。

方教授的研究重點在于利用計算機視覺技術(shù)（CV）探索手語識別，特別是通過深度學(xué)習(xí)方法來求解這一復(fù)雜而神奇的自然語言交流形式。目前她和團隊已經(jīng)在多模數(shù)據(jù)采集、孤立詞識別、連續(xù)手語識別以及人體姿態(tài)建模等四個方向上開展了研究。

實際上，方教授的學(xué)術(shù)研究始于人臉識別，隨著時間的推移，她的研究興趣逐漸擴展到手語識別這一領(lǐng)域。

2003年，她在中科院自動化所獲得博士學(xué)位，之后前往法國國立信息與自動化研究院做博士后，從事圖像檢索研究。雖然手語研究并非她最初的研究重點，但在2005年加入上海大學(xué)后，方教授逐漸將研究重心轉(zhuǎn)向了手語領(lǐng)域。

特別是在2017年，她協(xié)助本校手語語言學(xué)專家倪蘭教授籌建面向人工智能研究的手語數(shù)據(jù)庫，并在2018年獲得上海市科委項目支持，正式開展手語識別研究。

在方教授看來，手語研究不僅是技術(shù)探索的過程，更是深入理解人類認知智能機制的重要途徑。她指出：“手語作為一種自然語言，盡管其發(fā)展歷史相對較短，但它所蘊含的關(guān)于語言發(fā)展和認知機制的信息是極其珍貴的。”

如今，方教授的研究不僅關(guān)注于手語的理論研究，更致力于解決手語在實際場景中的應(yīng)用問題，為聾人群體在應(yīng)急、醫(yī)療和購物等實際場景中提供數(shù)字化技術(shù)支持。方教授和團隊正在開發(fā)的應(yīng)用程序和小程序，正是這一目標的具體實踐。

此外，她也指出，隨著大型語言模型等前沿科技的發(fā)展，手語識別研究將面臨新的機遇和挑戰(zhàn)。她的團隊正在積極探索結(jié)合計算機視覺和自然語言處理的方法，以期在手語研究領(lǐng)域取得更多突破。

以下為對話（經(jīng)編輯）：

01  計算機視覺學(xué)者做起手語識別

雷峰網(wǎng)：方教授，我注意到您是計算機視覺（CV）出身，手語研究在您的研究工作中所占比重在逐年增加，能具體介紹下您是如何把兩者集合起來的嗎？

方昱春：簡單來說，計算機視覺和手語的結(jié)合，形成了“手語識別”這一研究方向。

手語識別研究是數(shù)據(jù)驅(qū)動的，而手語數(shù)據(jù)的獲取和標注相對復(fù)雜。之所以我涉足這一領(lǐng)域，是因為倪蘭老師參與了國家和上海的科研活動，希望將人工智能技術(shù)應(yīng)用于手語研究，這促使我開始著手語數(shù)據(jù)的采集和研究規(guī)劃。

在搭建手語識別系統(tǒng)時，還有另一種技術(shù)路線--基于傳感設(shè)備（如數(shù)據(jù)手套和位置跟蹤器）的系統(tǒng)。穿戴式設(shè)備如數(shù)據(jù)手套也曾是主流手語識別研究方向。

隨著深度學(xué)習(xí)在人臉識別應(yīng)用上的成功，手語識別研究也逐漸向機器學(xué)習(xí)和計算機視覺結(jié)合的方向發(fā)展。

目前，我的研究小組跟蹤了計算機視覺領(lǐng)域的主流方法，正在以深度學(xué)習(xí)方法為主來處理手語識別問題，后續(xù)研究計劃更加關(guān)注手語語言學(xué)交叉學(xué)科問題的探索。

我和團隊已經(jīng)探索了四個主要方向，包括多模態(tài)數(shù)據(jù)采集、孤立詞識別、連續(xù)手語識別，以及人體姿態(tài)建模和AI生成技術(shù)應(yīng)用于手語研究。

在連續(xù)手語識別方面，我想強調(diào)的一點是，我們試圖建模手語運動的多模態(tài)特性，比如頭部、面部、雙手和軀干之間的空間關(guān)系和運動關(guān)系，以實現(xiàn)對手語更深入的理解。這是我們團隊過去幾年一直在努力的方向。

隨著人工智能生成內(nèi)容技術(shù)的發(fā)展，我們開始嘗試了一些手語的計算生成研究，這部分工作還處于初級階段。

雷峰網(wǎng)：手語識別這一研究領(lǐng)域過去很少人關(guān)注，國內(nèi)在這方面大致經(jīng)歷了怎樣的發(fā)展階段？

方昱春：計算機視覺的手語識別研究經(jīng)歷了20年左右的發(fā)展，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于機器學(xué)習(xí)和計算機視覺的手語識別才開始蓬勃發(fā)展，近兩年里手語識別研究的規(guī)模迅速增長。

我是在2005年加入上海大學(xué)，在2017年才開始規(guī)劃手語研究，2018年開始正式投入到手語研究中。2017年，我協(xié)助倪蘭老師籌備數(shù)據(jù)建設(shè)，這年對上海大學(xué)手語研究來說是一個重要的里程碑，倪蘭教授建立了“中國手語及聾人研究中心”，非常有魄力。

雷峰網(wǎng)：您認為手語識別研究的長遠目標是什么？

方昱春：手語作為一種自然語言，蘊含著人類的認知智能機制。與文字語言或口語相比，手語形成的歷史相對較短，這使得手語成為研究語言發(fā)展和認知機制的寶貴研究對象。

從理論角度來看，我們希望能夠更深入地理解這些機制。

而從應(yīng)用角度來說，我們的目標是解決手語在實際場景中的應(yīng)用問題，比如在應(yīng)急、醫(yī)療和購物等場景中，為聾人社區(qū)提供數(shù)字化的技術(shù)支持。我們正在嘗試開發(fā)應(yīng)用程序和小程序，來實現(xiàn)這些目標。

雷峰網(wǎng)：方教授，手語研究現(xiàn)在是您研究工作的主要部分嗎？對您招生方面有何影響？

方昱春：手語研究是我目前研究的主要任務(wù)之一，自從開始著手語項目以來，我投入的精力和資源都在不斷增長。

在招收研究生方面，我們也非常希望有跨學(xué)科背景的學(xué)生加入，比如語言學(xué)和機器學(xué)習(xí)的雙重背景，但找到這樣的綜合型人才非常困難。

幸運的是，上海大學(xué)有倪老師這樣在手語語言學(xué)領(lǐng)域有著深厚積累的專家，未來，我和倪老師計劃合作指導(dǎo)學(xué)生，培養(yǎng)具有交叉學(xué)科背景的復(fù)合性人才，這一目標對學(xué)生的職業(yè)發(fā)展和人生規(guī)劃將非常有價值。

02 數(shù)據(jù)是手語識別研究的最大瓶頸

雷峰網(wǎng)：我最近對田英利教授的手語研究進行了專訪，您可能已經(jīng)看過了。田教授的研究專注于美國手語，并開發(fā)了一個實時手語語法錯誤識別系統(tǒng)。這個系統(tǒng)旨在為手語學(xué)習(xí)者提供即時反饋，并有望在未來提高精確度后，集成到手機或電腦中，以便將聾啞人的手語翻譯給聽力正常的人。請問您在這方面的研究是否有相似之處或存在差異？

方昱春：從我個人的角度來說，我對手語研究還是一個新手，我們實驗了從計算機視覺角度研究手語的基本方法，我認為這些方法在應(yīng)用上是具有實用價值的，對未來的理論研究也特別有幫助。

我和倪老師在討論上海大學(xué)未來的手語研究規(guī)劃時，了解到田英利教授開展了手語研究，于是我決定聯(lián)系她，促進不同手語研究之間的交流。雖然我們研究的手語語種、可能不同，但背后的機理是可以互相借鑒的，我們可以通過比較美國手語和中國手語來互相驗證。

實際上，我最初進行手語研究時，也是從孤立詞的識別開始，使用的是美國手語（ASL）的數(shù)據(jù)集。正如我之前提到的，數(shù)據(jù)驅(qū)動的研究離不開數(shù)據(jù)。在我們自己的數(shù)據(jù)準備就緒之前，我們主要依賴開源數(shù)據(jù)集。

那么，無論是美國手語還是中國手語，實際上在不同地區(qū)之間，手語的表現(xiàn)形式還是有所不同的，就像方言一樣，會有變化。

目前，中國科學(xué)技術(shù)大學(xué)、西安電子科技大學(xué)、中國科學(xué)院計算所和自動化所，是國內(nèi)開展手語識別非常有代表性的研究機構(gòu)。團隊之間的合作溝通一定是有益的，如推動數(shù)據(jù)庫共享等。

雷峰網(wǎng)：手語也有“方言”之分，目前您使用的手語數(shù)據(jù)集，是否主要來自于上海一帶所使用的？

方昱春：我們目前在上海進行的手語研究還處于比較基礎(chǔ)的階段，比如數(shù)據(jù)的分割和預(yù)處理，還沒有深入到識別層面。

我們算法研究使用的數(shù)據(jù)集叫做“中國手語識別數(shù)據(jù)集”（CSL），這是由中國科學(xué)技術(shù)大學(xué)的研究團隊建立的。

目前國家層面和政策層面為了幫助聾人群體，做了很多語言推廣工作，通過制定新的標準來推廣手語。

雖然對于我們這些不打手語的外行人來說，不能辨識不同地區(qū)的手語方言，但是關(guān)于手語的這種地域差異，還有很多問題需要研究。

雷峰網(wǎng)：國內(nèi)目前也有中科大、西電、中科院等幾支手語識別的領(lǐng)先團隊，所使用的手語數(shù)據(jù)是否針對特定地區(qū)？

方昱春：是的，這幾所單位開展手語識別研究，都具備豐厚的積累。針對特定的手語方言的研究還非常少。

上海的手語語言學(xué)發(fā)展較為先進，倪老師和上海的聾人群體建立了長期的聯(lián)系，并開展了實際合作。

從計算機視覺研究的角度來看，我們更多地使用德國的鳳凰（PHOENIX）數(shù)據(jù)集，因為德國的手語數(shù)據(jù)集上做出來的標桿算法較多，我們希望了解自己的算法達到了什么程度。德國的標桿數(shù)據(jù)集開源較多，因此大家都愿意使用它來驗證自己方法的進步。

雷峰網(wǎng)：使用德國手語數(shù)據(jù)集進行研究會有語言不通的問題嗎？這對我們的研究方法有影響嗎？

方昱春：從計算機視覺的角度來看，使用德國或其他國家手語數(shù)據(jù)集是沒有問題的，方法是有通用性的。視頻中包含的主要是上半身的多模態(tài)運動，這些信號對我們來說都是一樣的。盡管如此，從語言學(xué)的角度來看，不同語言的手語確實存在差異，因為它們屬于不同的語系。

雷峰網(wǎng)：在開發(fā)數(shù)字人進行手語應(yīng)用時，您是否遇到了一些挑戰(zhàn)，比如聾人群體可能無法理解數(shù)字人使用的手語，或者不同企業(yè)開發(fā)的數(shù)字人在手語表達上可能出現(xiàn)同質(zhì)化的問題？

方昱春：首先，我們面臨的最大挑戰(zhàn)是手語數(shù)據(jù)的缺乏。

我們會選擇使用德國鳳凰（PHOENIX）數(shù)據(jù)集，因為它將場景限定在天氣預(yù)報上，問題因場景限定而簡化，他們提供公共研究的開源數(shù)據(jù)量很大，他們的團隊開展了語言學(xué)家和計算機科學(xué)專家的合作，是一個很好的模式。

第二個挑戰(zhàn)是，手語語言學(xué)專家和語言學(xué)專業(yè)人員的缺乏。

上大大學(xué)手語識別研究，有幸能獲得倪蘭老師的指導(dǎo)。

如果僅從計算機視覺的角度解決手語識別問題，不了解手語語言的特點，不了解聾人的語言特點，所開發(fā)出來的算法或模型會脫離實際應(yīng)用的需求。

田英利教授的工作就是一個跨學(xué)科合作的典范，她結(jié)合了語言學(xué)和計算機視覺技術(shù)，我認為她的交叉應(yīng)用選點非常新穎。倪老師也非常贊賞田教授的工作，并特意推薦給我們上海大學(xué)團隊參考。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))：我們也非常關(guān)注前沿科技對您工作的影響，比如去年推出的ChatGPT和今年的Sora，它們在自然語言處理方面取得了顯著成就。這些模型背后的設(shè)計理念和技術(shù)路徑，對您做手語識別研究有何啟示？

方昱春：我們團隊也一直在關(guān)注大語言模型的發(fā)展。我們正在計劃利用學(xué)校新建的大型GPU集群，開展更多大語言模型相關(guān)的研究。

在結(jié)合計算機視覺（CV）和自然語言處理（NLP）方面，在中科大團隊將自然語言理解技術(shù)應(yīng)用于手語識別研究的啟發(fā)，我們團隊近期也提出了一個解決方案，取得了顯著的效果。

雷峰網(wǎng)：我們注意到，大模型的出現(xiàn)讓很多人希望建立一個全球或國家通用的手語大模型。但這確實面臨挑戰(zhàn)，尤其是數(shù)據(jù)獲取困難。手語數(shù)據(jù)通常包含上半身，涉及肖像權(quán)和隱私問題。您是否主要使用倪蘭教授收集的數(shù)據(jù)庫進行數(shù)據(jù)研究？

方昱春：為了妥善使用數(shù)據(jù)，確實需要健全隱私保護機制。我們團隊在數(shù)據(jù)采集和使用方面，都嚴格遵守隱私保護的約束。

手語理解數(shù)據(jù)集面臨的最大的挑戰(zhàn)在于數(shù)據(jù)標注問題。當(dāng)采集到孤立詞或連續(xù)手語句的視頻后，可以進行什么程度的標注？目前，文字形式自然語言的自動分詞已非常成熟。但是，要將手語視頻分解成音韻要素，自動處理難度非常高，人工標注工作量會非常大。

在接下來的線上圓桌討論中，我希望和大家一起探討手語識別領(lǐng)域的數(shù)據(jù)之困。

本文作者吳彤，歡迎添加微信（icedaguniang），交流認知，互通有無。

｜GAIR live 圓桌預(yù)告

3月18日，北京時間20:00-22:00，雷峰網(wǎng)將舉辦主題為「AI+手語識別，技術(shù)革新與應(yīng)用前景」的線上圓桌論壇。

本次論壇嘉賓有，美國紐約城市大學(xué)田英利教授、上海交通大學(xué)自動化系蘇劍波教授、上海大學(xué)計算機工程與科學(xué)學(xué)院方昱春教授、上海大學(xué)文學(xué)院倪蘭教授，共同分享他們的見解和研究成果。

“全球人工智能與機器人大會”（GAIR）始于2016年雷峰網(wǎng)與中國計算機學(xué)會（CCF）合作創(chuàng)立的 CCF-GAIR 大會，旨在打造人工智能浪潮下，連接學(xué)術(shù)界、產(chǎn)業(yè)界、投資界的新平臺，而雷峰網(wǎng)“連接三界”的全新定位也在此大會上得以確立。

經(jīng)過幾年發(fā)展，GAIR大會已成為行業(yè)標桿，是目前為止粵港澳大灣區(qū)人工智能領(lǐng)域規(guī)模最大、規(guī)格最高、跨界最廣的學(xué)術(shù)、工業(yè)和投資領(lǐng)域盛會。

GAIR Live 作為雷峰網(wǎng)旗下視頻直播品牌，旨在輸出新鮮、深度、原創(chuàng)的大咖訪談與對話內(nèi)容，打造輻射產(chǎn)、學(xué)、研、投的特色線上平臺。

｜手語相關(guān)資料

1，《專訪紐約城市大學(xué)田英利教授：用多通道、多模態(tài)的方法「看懂」手語》https://mp.weixin.qq.com/s/jgng2-6tiG9HC9C7FEbMLA

2，《Multi-Modal Multi-Channel American Sign Language Recognition 》https://gairdao.com/doi/10.1142/S2972335324500017

｜IJAIRR正在邀約論文和專題

《國際人工智能與機器人研究期刊》（International Journal of Artificial Intelligence and Robotics Research，簡稱IJAIRR），是由新加坡GAIR研究院與世界科技出版社聯(lián)合出版的國際學(xué)術(shù)期刊。

作為全球首本專注于人工智能（AI）、機器人技術(shù)（Robotics）以及基礎(chǔ)科學(xué)交叉研究（Research）的期刊，IJAIRR致力于成為AI與機器人領(lǐng)域研究的權(quán)威發(fā)布平臺。

IJAIRR歡迎各類研究論文、評論文章、短篇論文、書評以及專題（Special Issue）形式的投稿。

我們特別關(guān)注那些在頂級AI會議上發(fā)表并現(xiàn)場展示，但缺乏長期沉淀平臺的優(yōu)秀論文。為了給這些論文及其作者提供一個更廣泛的發(fā)表和推廣渠道，IJAIRR現(xiàn)正積極邀約相關(guān)論文投稿。

（1）“如果您在本領(lǐng)域頂級會議上發(fā)表的文章（或即將發(fā)表）不超過一年，我們將協(xié)助您稍作修改后在IJAIRR期刊上發(fā)表。

（2）如果您領(lǐng)導(dǎo)的團隊在頂級會議上有多篇論文發(fā)表，并希望在IJAIRR上圍繞特定主題策劃一個專題（Special Issue），我們誠摯邀請您深入討論合作事宜。

（3）如果您是頂級會議的組織者，并有意與IJAIRR合作，針對特定會議策劃一個專題（Special Issue），我們也期待與您具體商討合作細節(jié)。

IJAIRR期待與您攜手，共同推動人工智能與機器人研究的發(fā)展。

聯(lián)系人：IJAIRR創(chuàng)刊主編朱曉蕊博士，xiaorui_zhu@gair.sg

關(guān)于期刊創(chuàng)刊主編等更多信息，可點擊

https://mp.weixin.qq.com/s/gEctQolbEqqf2eVwBAkdoA

關(guān)于雷峰網(wǎng)、GAIR大會、GAIR研究院（期刊和在線社區(qū)）的詳細介紹，請閱讀朱曉蕊教授的專訪：https://mp.weixin.qq.com/s/Qn7Gc3rVijQhhK0hTSrgxw

IJAIRR期刊的主頁鏈接為：https://gairdao.com/journals/ijairr

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。