Чтение по губам для украинского языка

Костров Евгений

Что это?

Что это?

Чтение по губам - процесс использования только визуальной информации о движении губ для преобразования речи в текст

Области применения

  • Помощь слабослышащим людям

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего
  • Автоматическая синхронизация аудио и видео

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего
  • Автоматическая синхронизация аудио и видео
  • Беззвучная диктовка текста

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего
  • Автоматическая синхронизация аудио и видео
  • Беззвучная диктовка текста
  • Субтитры к немому кино

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего
  • Автоматическая синхронизация аудио и видео
  • Беззвучная диктовка текста
  • Субтитры к немому кино
  • Субтитры с границами каждого слова

Области применения

  • Помощь слабослышащим людям                                  
  • Распознавание речи в шумных пространствах
  • Идентификация говорящего
  • Автоматическая синхронизация аудио и видео
  • Беззвучная диктовка текста
  • Субтитры к немому кино
  • Субтитры с границами каждого слова
  • Шпионские истории

Сложности

  • Омофемы (homophemes) - слова, которые звучат по разному, но включают в себя идентичные движения губами

Сложности

  • Омофемы (homophemes) - слова, которые звучат по разному, но включают в себя идентичные движения губами
  • Отсутствие наборов данных

Сложности

  • Омофемы (homophemes) - слова, которые звучат по разному, но включают в себя идентичные движения губами
  • Отсутствие наборов данных
  • Вариации произношения (акценты, скорость речи, бормотание)

Сложности

  • Омофемы (homophemes) - слова, которые звучат по разному, но включают в себя идентичные движения губами
  • Отсутствие наборов данных
  • Вариации произношения (акценты, скорость речи, бормотание)
  • Ухудшение картинки (плохое освещение, сильные тени, движение, разрешение, ракурс и т.д.)

Данные

  • Собраны с 15 каналов на ютубе
  • До обработки:
    • ​2300 видео
    • ~ 10 дней
  • После обработки:
    • ​470 видео
    • ~ 27 часов
  • 4x1060 3Gb
  • core i7 3770 @ 3.40GHz × 8 
  • 32 GB RAM

Работа с данными

Работа с данными

Скачивание

Разрезание

Формат данных

Фильтрация

Фильтрация

  • Чистка текста:
    • фильтрация по языку
    • текст в скобках
    • ударения
    • римские цифры в пропись
    • спецсимволы

Фильтрация

  • Чистка текста:
    • фильтрация по языку
    • текст в скобках
    • ударения
    • римские цифры в пропись
    • спецсимволы
  • Фильтрация по длительности отрезка

Фильтрация

  • Чистка текста:
    • фильтрация по языку
    • текст в скобках
    • ударения
    • римские цифры в пропись
    • спецсимволы
  • Фильтрация по длительности отрезка
  • Фильтрация по распределению

Фильтрация по распределению

Фильтрация по распределению

Фильтрация по распределению

Извлечение лиц

Извлечение лиц

  • Нормализация фреймрейта

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме

Детекция лиц

*Multi-task Cascaded Convolutional Networks

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного
  • Вырезание области лица

Вырезание лиц

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного
  • Вырезание области лица
  • Масштабирование до 112х112

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного
  • Вырезание области лица
  • Масштабирование до 112х112
  • Нахождение ключевых точек

Ключевые точки

*The Face Alignment Network (FAN)

Ключевые точки

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного
  • Вырезание области лица
  • Масштабирование до 112х112
  • Нахождение ключевых точек
  • Определение активности

Определение активности

Определение активности

Извлечение лиц

  • Нормализация фреймрейта
  • Определение лица на каждом фрейме
    • ​фильтрация, если лиц больше одного
  • Вырезание области лица
  • Масштабирование до 112х112
  • Нахождение ключевых точек
  • Определение активности
  • Преобразование в оттенки серого

Упаковка в TFRecord

Чтение TFRecord

Случайные аугментации:

  • Отражение по горизонтали
  • Изменение яркости
  • Изменение контраста
  • Изменение качества JPEG
  • Поворот
  • Cutout

Модель

3D-2D-CNN BLSTM with character CTC

LipReading with 3D-2D-CNN BLSTM-HMM and word-CTC model - https://arxiv.org/abs/1906.12170

CTC Loss

*Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks

CTC Loss

Метрика

Character Error Rate:

LSTM vs Conv1d (TC)

LSTM vs Conv1d (TC)

Архитектура

Архитектура

    model.add(Input(shape=(None, 112, 112, 1), name="input"))
    model.add(BatchNormalization(name="batch_norm_input"))

    model.add(Conv3D(128, (10, 5, 5), strides=(1, 2, 2), padding="same", name="conv_3d_1", kernel_initializer=he_normal(seed=SEED)))
    model.add(ReLU(name="relu_1"))
    model.add(BatchNormalization(name="batch_norm_1"))
    model.add(MaxPooling3D(pool_size=(1, 2, 2), strides=(1, 2, 2), padding="valid", name="max_pool_3d_1"))

    model.add(Conv3D(64, (10, 5, 5), strides=(1, 2, 2), padding="same", name="conv_3d_2", kernel_initializer=he_normal(seed=SEED)))
    model.add(ReLU(name="relu_2"))
    model.add(BatchNormalization(name="batch_norm_2"))
    model.add(MaxPooling3D(pool_size=(1, 2, 2), strides=(1, 2, 2), padding="valid", name="max_pool_3d_2"))

    model.add(Conv2D(256, (5, 5), strides=(1, 1), padding="same", name="conv_2d_1", kernel_initializer=he_normal(seed=SEED)))
    model.add(ReLU(name="relu_3"))    
    model.add(BatchNormalization(name="batch_norm_3"))
        
    model.add(Conv2D(128, (3, 3), strides=(1, 1), padding="same", name="conv_2d_2", kernel_initializer=he_normal(seed=SEED)))
    model.add(ReLU(name="relu_4"))    
    model.add(BatchNormalization(name="batch_norm_4"))
    
    channels = 7
    model.add(Conv1D(filters=400, kernel_size=7, strides=1, name="conv1d_1", kernel_initializer='lecun_normal'))
    model.add(Dropout(0.2, noise_shape=(channels, 1, 400)))
    model.add(BatchNormalization(scale=False))
    model.add(Activation('selu'))
    model.add(AlphaDropout(0.1))

    model.add(Reshape((-1, model.output_shape[2]*model.output_shape[3]*model.output_shape[4]), name="reshape"))
    model.add(Dense(100, activation='relu', use_bias=False, kernel_initializer='he_normal'))
    model.add(Dense(400, activation='sigmoid', use_bias=False,  kernel_initializer='he_normal'))    
    model.add(Dense(36, name="last"))

Оптимизатор

Adam, lr=1e3

Предтренировка

Curriculum Learning подход

  • 10 эпох сортированных данных
  • 5 эпох сортированных батчей в окне
  • батчи в случайном порядке

Результаты, но не те

Результаты на данный момент

Ukrainian lip reading

By __

Made with Slides.com

Ukrainian lip reading

  • 9

More from __

  • Визначення моделі авто за фото
    __
    4
  • Twitter bot detection
    __
    63