當(dāng)前,商業(yè)化視頻包括長視頻、短視頻、直播等多種類型,其中蘊(yùn)含著海量的信息和巨大的潛在商業(yè)價(jià)值。如何運(yùn)用GPU的強(qiáng)大算力,設(shè)計(jì)人工智能算法,對(duì)商業(yè)化視頻中的內(nèi)容語義進(jìn)行分析識(shí)別,生成結(jié)構(gòu)化數(shù)據(jù),同時(shí)受到了學(xué)術(shù)界和工業(yè)界的重視。

近日,極鏈科技Video++AI研究院負(fù)責(zé)人張奕在英偉達(dá)GTC 2019上,帶來了「商業(yè)化視頻內(nèi)容識(shí)別的算法設(shè)計(jì)與應(yīng)用」的精彩演講。從視聯(lián)網(wǎng)的產(chǎn)業(yè)介紹、智能視頻技術(shù)應(yīng)用于商業(yè)化視頻的挑戰(zhàn)、數(shù)據(jù)的重要性與VideoNet視頻數(shù)據(jù)集、商業(yè)化視頻內(nèi)容識(shí)別算法設(shè)計(jì)與視聯(lián)網(wǎng)應(yīng)用五大模塊進(jìn)行了分享。

5G+AI時(shí)代 互聯(lián)網(wǎng)形態(tài)進(jìn)化

在5G和AI的加持下,互聯(lián)網(wǎng)演進(jìn)出三大形態(tài),物聯(lián)網(wǎng),視聯(lián)網(wǎng)和車聯(lián)網(wǎng)。目前視頻占據(jù)了全網(wǎng)數(shù)據(jù)的80%,且仍在不斷提高。視頻將成為互聯(lián)網(wǎng)最重要的入口,承擔(dān)起信息傳遞介質(zhì)和互聯(lián)網(wǎng)功能載體的作用,進(jìn)而形成以視頻作為主要信息傳遞介質(zhì)和功能載體的互聯(lián)網(wǎng)形態(tài),視聯(lián)網(wǎng)。龐大的消費(fèi)級(jí)視頻是視聯(lián)網(wǎng)的首個(gè)落地場景。

張奕介紹道,作為「AI+視頻」行業(yè)獨(dú)角獸企業(yè),全球視聯(lián)網(wǎng)-視頻商業(yè)操作系統(tǒng)構(gòu)建者,極鏈科技專注于消費(fèi)級(jí)視頻AI技術(shù)研發(fā)和商業(yè)應(yīng)用,聚焦以視頻作為信息和功能核心載體的新互聯(lián)網(wǎng)形態(tài)——視聯(lián)網(wǎng)。以AI技術(shù)賦能視頻中的信息,鏈接互聯(lián)網(wǎng)信息、服務(wù)、購物、社交、游戲五大模式,實(shí)現(xiàn)基于視頻的新互聯(lián)網(wǎng)經(jīng)濟(jì)體。極鏈科技自主研發(fā)的VideoAI是視聯(lián)網(wǎng)整個(gè)生態(tài)的底層數(shù)據(jù)引擎,支撐視聯(lián)網(wǎng)的多維度發(fā)展。頑石OS作為視聯(lián)網(wǎng)操作系統(tǒng),是整個(gè)視聯(lián)網(wǎng)生態(tài)的承載,提供高效個(gè)性化的互動(dòng)視頻應(yīng)用,扭轉(zhuǎn)了視頻只能單向輸出的狀態(tài)。為用戶提供了全新的觀看體驗(yàn),實(shí)現(xiàn)了視頻與用戶的雙向互動(dòng),讓視頻成為連接服務(wù)與用戶的高價(jià)值流量入口。

商業(yè)化視頻內(nèi)容識(shí)別的挑戰(zhàn)

視聯(lián)網(wǎng)的基礎(chǔ)數(shù)據(jù)即視頻,尤其是消費(fèi)級(jí)視頻。區(qū)別于工業(yè)級(jí)視頻是利用專業(yè)設(shè)備在固定條件、固定場景下拍攝的視頻,如監(jiān)控視頻。商業(yè)化視頻是指用戶用手機(jī)等便攜式圖像采集設(shè)備生成的視頻。商業(yè)化視頻有三大特點(diǎn)。一、商業(yè)化視頻數(shù)據(jù)體量巨大;二、商業(yè)化視頻的類別多樣,如電影、綜藝、體育、短視頻等;三、商業(yè)化視頻場景復(fù)雜,如場景內(nèi)的特效、切換、淡入淡出和字幕,都會(huì)對(duì)整體或局部產(chǎn)生模糊。以上特點(diǎn)對(duì)視頻識(shí)別算法提出了更高的挑戰(zhàn)。

視頻識(shí)別算法本身有較長的歷史,然而受到計(jì)算能力的限制,算法各項(xiàng)性能與產(chǎn)品商業(yè)化要求間還存在較大的差距。直到2012年,深度學(xué)習(xí)技術(shù)、大數(shù)據(jù)及GPU算力的結(jié)合極大提升了算法準(zhǔn)確率和運(yùn)算效率,拉低了與產(chǎn)品商業(yè)化要求的差距。

數(shù)據(jù)的重要性與VideoNet視頻數(shù)據(jù)集

眾所周知,深度學(xué)習(xí)的成功建立在大規(guī)模數(shù)據(jù)集的基礎(chǔ)上。現(xiàn)有視頻數(shù)據(jù)集從規(guī)模、維度和標(biāo)注方式上都與深度學(xué)習(xí)算法的要求存在很大差距。今年,極鏈科技與復(fù)旦大學(xué)聯(lián)合推出了全新的VideoNet視頻數(shù)據(jù)集,具備規(guī)模大、多維度標(biāo)注、標(biāo)注細(xì)三大特點(diǎn)。

第一,規(guī)模大。VideoNet數(shù)據(jù)集包含逾9萬段視頻,總時(shí)長達(dá)4000余小時(shí)。

第二,多維度標(biāo)注。視頻中存在著大量的物體、場景等多維度內(nèi)容信息,這些維度內(nèi)容之間又存在著廣泛的語義聯(lián)系。近年來涌現(xiàn)出大量針對(duì)物體、場景、人臉等維度的識(shí)別技術(shù),在各自的目標(biāo)維度上取得了明顯的進(jìn)步。但各視頻識(shí)別算法基本針對(duì)單一維度來設(shè)計(jì)的,無法利用各維度之間存在的豐富的語義關(guān)聯(lián)建立模型,提高識(shí)別準(zhǔn)確度。VideoNet數(shù)據(jù)集從事件、物體、場景三個(gè)維度進(jìn)行了聯(lián)合標(biāo)注,為多維度視頻識(shí)別算法研提供支持。

第三,標(biāo)注細(xì)。視頻標(biāo)注工作量非常巨大,當(dāng)前大部分視頻僅針對(duì)整段視頻打標(biāo)簽。而VideoNet數(shù)據(jù)集對(duì)視頻進(jìn)行了事件分類標(biāo)注,并針對(duì)每個(gè)鏡頭的關(guān)鍵幀進(jìn)行了場景和物體兩個(gè)維度的共同標(biāo)注,充分體現(xiàn)了多維度內(nèi)容之間的語義聯(lián)系。

那么,VideoNet數(shù)據(jù)集是如何進(jìn)行標(biāo)注的?首先,對(duì)視頻數(shù)據(jù)進(jìn)行預(yù)處理,即鏡頭分割,并根據(jù)清晰度對(duì)鏡頭單元進(jìn)行關(guān)鍵幀提取。之后從三個(gè)維度進(jìn)行視頻標(biāo)注,事件維度上對(duì)整個(gè)視頻標(biāo)注類別標(biāo)簽,物體維度上對(duì)鏡頭關(guān)鍵幀標(biāo)注類別和位置框,場景維度上對(duì)鏡頭關(guān)鍵幀標(biāo)注類別標(biāo)簽。目前,VideoNet數(shù)據(jù)集包含353類事件,超過200類場景和200類物體,總視頻數(shù)達(dá)到9萬。其中60%作為訓(xùn)練集,20%作為驗(yàn)證集,20%作為測試集。

自6月18日「VideoNet視頻內(nèi)容識(shí)別挑戰(zhàn)賽」公布訓(xùn)練和驗(yàn)證數(shù)據(jù)集以來,截止到8月12日,注冊(cè)報(bào)名的隊(duì)伍已超過360支,其中參賽隊(duì)伍當(dāng)中有來自中科院、北京大學(xué)、中國科學(xué)技術(shù)大學(xué)等頂尖高校隊(duì)伍以及來自阿里巴巴、京東、華為、騰訊、大華等眾多知名企業(yè)隊(duì)伍。預(yù)計(jì)明年,極鏈科技將會(huì)繼續(xù)增加VideoNet數(shù)據(jù)集的規(guī)模和標(biāo)注維度。

商業(yè)化視頻內(nèi)容識(shí)別的算法設(shè)計(jì)

商業(yè)化視頻的數(shù)據(jù)特點(diǎn),對(duì)算法系統(tǒng)的處理速度、效率和準(zhǔn)確率提出了較高的要求。商業(yè)化視頻算法的總體框架分為五層:1、視頻輸入層進(jìn)行視頻源的管理;2、視頻處理層進(jìn)行鏡頭分割、采樣、增強(qiáng)和去噪等工作;3、內(nèi)容提取層主要分析視頻中內(nèi)容、語義等信息,進(jìn)行目標(biāo)檢測、跟蹤和識(shí)別等來檢測目標(biāo)在視頻中的時(shí)間、空間、位置等維度;4、語義融合層進(jìn)行目標(biāo)軌跡融合、識(shí)別結(jié)果融合、特征表示融合、高層語義融合等;5、在數(shù)據(jù)輸出層,進(jìn)行結(jié)構(gòu)化數(shù)據(jù)管理,方便后續(xù)數(shù)據(jù)檢索與應(yīng)用。

視頻內(nèi)容識(shí)別維度多樣,包括場景、物體、人臉、地標(biāo)、Logo、情緒、動(dòng)作、聲音等。不同維度的算法結(jié)構(gòu)有所區(qū)別。人臉識(shí)別算法結(jié)構(gòu)為:輸入視頻后進(jìn)行鏡頭分割,在進(jìn)行人臉檢測、跟蹤、人臉對(duì)齊,根據(jù)質(zhì)量評(píng)估過濾,進(jìn)行特征提取和特征比對(duì)識(shí)別,最后進(jìn)行識(shí)別結(jié)果融合,輸入最終識(shí)別結(jié)果。

在場景識(shí)別算法結(jié)構(gòu)中,首先對(duì)輸入視頻進(jìn)行鏡頭分割采樣,有所不同的是只需進(jìn)行時(shí)間間隔分割的采樣,再對(duì)視頻進(jìn)行場景類別的初分類,預(yù)處理之后進(jìn)入卷積神經(jīng)網(wǎng)合階段,卷積神經(jīng)網(wǎng)絡(luò)通過對(duì)不同的數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練,得到不同的特征和描述,將這些特征進(jìn)行融合、降維處理得到特征表示后,對(duì)不同場景如高頻場景、次級(jí)場景和新增場景,進(jìn)行分類處理,最終對(duì)識(shí)別結(jié)果進(jìn)行融合。

在物體、Logo識(shí)別算法結(jié)構(gòu)中,有所不同的是需要多尺度提取特征,跟蹤識(shí)別物體軌跡,并關(guān)注物體類別,對(duì)結(jié)果進(jìn)行優(yōu)化。

在地標(biāo)識(shí)別算法結(jié)構(gòu)中,分為三步,第一,通過基礎(chǔ)網(wǎng)絡(luò)(VGG,ResNet等)獲得特征圖(一般為最后一層卷積或池化層);第二,從特征圖中提取特征(例如R-Mac,SPoC,CroW,GeM等)并用ROI Pooling,PCA 白化,L2-歸一化等方式處理,一般最終維度為256,512,1024,或2048;用kNN,MR,DBA,QE,Diffusion等方式將得到的特征對(duì)數(shù)據(jù)庫內(nèi)的特征進(jìn)行后處理獲得最終特征;訓(xùn)練模型一般損失函數(shù)采用contrastive loss或triplet loss,最終比對(duì)一般采用余弦或歐式距離。

極鏈科技自主研發(fā)的算法主要做了以下優(yōu)化:1. 對(duì)基礎(chǔ)網(wǎng)絡(luò)進(jìn)行多層的特征提取(而不局限于全連接的前一層)并融合,降維等。2. 采用CroW算法的核心思想對(duì)特征圖的不同空間點(diǎn)以及channel增加權(quán)重,不同于CroW算法,我們的權(quán)重是通過端到端方式學(xué)習(xí)所獲得。在2018、2019年Google地標(biāo)識(shí)別挑戰(zhàn)賽中,極鏈科技AI研究院蟬聯(lián)了兩屆全球冠軍。

隨后,張奕介紹了視頻檢索,也就是以圖搜視頻的流程。以圖搜視頻可以分為兩部分,一部分是通過視頻深度圖像檢索構(gòu)建視頻數(shù)據(jù)庫,另一部分是用戶檢索時(shí),輸入圖像到第一部分的視頻庫中進(jìn)行檢索。

具體來看,首先通過視頻下載、視頻數(shù)據(jù)庫檢索、特征提取、特征排序等生成一個(gè)特征表述數(shù)據(jù)庫,當(dāng)用戶需求輸入后進(jìn)行特征提取、比對(duì)、排序和結(jié)構(gòu)展示。這是標(biāo)準(zhǔn)的檢索流程。在算法結(jié)構(gòu)方面,用戶輸入后會(huì)經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)和索引得出粗檢索結(jié)果,再通過細(xì)檢索進(jìn)行排序、查詢,最后輸出鏡頭信息,另外也可以通過劇目信息進(jìn)行子部檢索減少搜索任務(wù)的壓力,同時(shí)提高算法的準(zhǔn)確率。

以圖搜視頻的核心在于我們自研的深度圖像檢索模型VDIR,由視頻任務(wù)調(diào)度系統(tǒng)派發(fā)的視頻分片,經(jīng)過鏡頭檢測分割成片段,片段信息經(jīng)過VDIR會(huì)生成視頻信息庫、視頻特征庫以及哈希索引庫。用戶輸入一張或者多張圖像,同時(shí)可以指定劇目信息,比如古裝劇、玄幻劇等,輸入的圖像經(jīng)過VDIR算法提取到哈希編碼和特征,首先會(huì)去歷史檢索庫中查找是否有相似的檢索,如果有直接使用特征即進(jìn)行細(xì)匹配,沒有就會(huì)先通過哈希編碼到哈希索引庫中檢索,然后進(jìn)行細(xì)匹配,根據(jù)匹配相似度進(jìn)行排序后,從視頻信息庫中查詢到視頻片段信息,配合截圖輸出到界面。

深度圖像檢索模型VDIR會(huì)輸出兩部分內(nèi)容,分別是用于快速檢索的哈希編碼以及用來細(xì)匹配的特征,一個(gè)片段的幾個(gè)幀特征或者相鄰片段的幀特征并不是都需要,因?yàn)槲覀冊(cè)O(shè)計(jì)關(guān)鍵幀篩選邏輯,只保留關(guān)鍵幀特征。

為了將以上算法實(shí)際落地,張奕認(rèn)為還需要進(jìn)行工程化的工作。在工程化工作中,需要解決以下幾個(gè)問題:1、算法進(jìn)行并行化加速其運(yùn)營;2、面對(duì)高并發(fā)狀態(tài)解決分布式系統(tǒng)和多任務(wù)調(diào)度的問題;3、對(duì)資源調(diào)度進(jìn)行算法分割與CPU+GPU配比;4、對(duì)高優(yōu)先級(jí)任務(wù)規(guī)劃處理策略。

視頻內(nèi)容識(shí)別的視聯(lián)網(wǎng)應(yīng)用

演講最后,張奕向大家介紹了三個(gè)算法實(shí)際產(chǎn)業(yè)化應(yīng)用的案例。

VideoAI視頻智能識(shí)別和大數(shù)據(jù)運(yùn)營系統(tǒng),實(shí)現(xiàn)視頻輸入、識(shí)別、結(jié)構(gòu)化數(shù)據(jù)管理和多維度檢索全流程技術(shù)。極鏈科技獨(dú)創(chuàng)獨(dú)創(chuàng)全序列采樣識(shí)別,對(duì)視頻內(nèi)的場景、物體、人臉、品牌、表情、動(dòng)作、地標(biāo)、事件8大維度進(jìn)行數(shù)據(jù)結(jié)構(gòu)化,32軌跡流同時(shí)追蹤,通過復(fù)合推薦算法將內(nèi)容元素信息升級(jí)為情景信息,直接賦能各種視聯(lián)網(wǎng)商業(yè)化場景。

靈悅AI廣告平臺(tái),通過VideoAI將全網(wǎng)海量視頻進(jìn)行結(jié)構(gòu)化分析,對(duì)消費(fèi)場景標(biāo)簽化,結(jié)合品牌投放需求,提供智能化投放策略和批量化投放,讓用戶在觀看視頻時(shí)有效獲取相關(guān)品牌信息及購買,實(shí)現(xiàn)廣告主精準(zhǔn)投放的營銷目的和效果。目前通過VideoAI技術(shù)的賦能,靈悅AI廣告平臺(tái)已完成2012年至今全網(wǎng)熱門視頻,實(shí)現(xiàn)掃描累計(jì)時(shí)長達(dá)15,600,000+分鐘劇目復(fù)合雙向匹配。開發(fā)了965類成熟商業(yè)化可投放情景,服務(wù)300+百家一線品牌,并與全網(wǎng)頭部流量視頻平臺(tái)簽訂深度投放合作,實(shí)現(xiàn)廣告創(chuàng)新營銷的新動(dòng)能。

神眼系統(tǒng),廣電級(jí)內(nèi)容安全多模AI審核系統(tǒng),可實(shí)現(xiàn)本地部署的高可用技術(shù)解決方案,提供長視頻、直播、短視頻的敏感、政治、色情、暴恐審核服務(wù)。產(chǎn)品核心功能包括:智能鑒黃(識(shí)別視頻和圖片中的色情、裸露、性感等畫面);智能鑒暴(識(shí)別視頻和圖片中的血腥、暴力、槍支等畫面);政治敏感人物識(shí)別(基于政治人物庫,識(shí)別視頻和圖片中的國家領(lǐng)導(dǎo)人物或者落馬官員等);涉毒/涉政明星識(shí)別(基于明星庫,結(jié)合黑名單,識(shí)別視頻和圖片中的涉毒、涉政等明星)。

最后,張奕強(qiáng)調(diào)了數(shù)據(jù)對(duì)于人工智能發(fā)展的重要性。他認(rèn)為目前半監(jiān)督、無監(jiān)督算法還處于研究階段,性能差距較大,所用AI算法大多基于監(jiān)督學(xué)習(xí),因此數(shù)據(jù)的體量和質(zhì)量非常重要。學(xué)會(huì)思考更多問題,例如采集數(shù)據(jù)與實(shí)際應(yīng)用間的相關(guān)度,常規(guī)數(shù)據(jù)操作有哪些,如何獲取“高效”的數(shù)據(jù),如何應(yīng)用數(shù)據(jù)管理工具,才能讓我們更好的管理、應(yīng)用數(shù)據(jù)等。