O GTM da UVigo achega tecnoloxías para localizar persoas en contidos audiovisuais

O Grupo de Tecnoloxías Multimedia (GTM) da Universidade de Vigo vén de amosar os resultados e obxectivos do seu proxecto TraceThem, no que traballa dende un ano dando forma a tecnoloxías e sistemas para facilitar a busca de persoas en contidos audiovisuais. Segundo fixeron saber as investigadoras integrantes deste grupo, o achado de persoas nestes arquivos e gravacións lévase a cabo a través de técnicas algorítmicas de procura multimedia e multilingüe. Estamos ante un proxecto financiado polo Programa Estatal de Fomento da I+D+i de Excelencia cun orzamento de 70.000 euros e no que están involucrados os membros do GTM Carmen García Mateo, José Luis Alba Castro, Antonio Cardenal, Eduardo Rodríguez Banga, Laura Docío, Carmen Magariños e Paula López, equipa integrada no centro AtlantTIC.
TraceThem é unha iniciativa de tres anos de duración. A materia prima do proxecto son ferramentas para o procesamento de fala e de imaxe. A orixe do mesmo está na necesidade de facilitar recursos que poñan orde na maré de contidos audiovisuais dos últimos tempos, un ámbito onde é de grande utilidade atopar datos concretos para traballar logo sobre eles e empregalos para informacións e contidos posteriores. Neste caso concreto, falamos de atopar persoas concretas. “Ante esta cantidade de información”, lembran as investigadoras, “a automatización do proceso de busca para filtrar, acceder e seleccionar os contidos convértese nun aspecto clave”.
En definitiva, TraceThem ten como finalidade “desenvolver unha tecnoloxía que evite o indexado manual dos contidos e permita buscar directamente o que interesa a través do procesado de vídeo e audio”. Estes avances, sinalan, “son de especial utilidade para o indexado de contidos multimedia para grandes repositorios, por exemplo de medios de comunicación e institucións educativas”. O finalidade, ao remate do camiño, é ter un motor de indexación que permita localizar contidos ou persoas neses vídeos e audios. A maiores, o teito deste tipo de investigación sería conseguir que motores de busca de Internet como Google atopasen non só texto, senón audio e vídeo “e sen necesidade de que eses contidos fosen indexados manualmente, como se fai agora”, engaden.
As investigadoras tamén explican que os datos que queren tirar con estas tecnoloxías áchanse sempre “ao acubillo dun contexto comunicativo”, é dicir, son gravacións “de alguén e para alguén”, polo que a caracterización dos individuos mergullados neste contexto “xoga un papel central”. Polo tanto, o reto está en atopar información sobre as persoas e a súa forma de interactuar. Ou sexa, quen son, que din, como se comunican, que están facendo…
A extracción de información relacionada coas persoas lévase a cabo a través de procesamento de audio, procesamento de vídeo e procesamento combinado de audio e vídeo. Para isto, os investigadores traballan na análise de contido multimedia, biometría de voz e face, segmentación de audio e “diarización” de falantes, detección do estado emocional e detección de persoas que interactúan.