隨著全民直播時(shí)代的到來，用戶對(duì)視頻質(zhì)量和創(chuàng)意需求增多，由此產(chǎn)生了視頻增強(qiáng)等技術(shù)的巨大需求。360資深技術(shù)專家劉洛麒根據(jù)360在視頻領(lǐng)域的開發(fā)經(jīng)驗(yàn)與技術(shù)積累，詳細(xì)介紹了人工智能在視頻直播中的技術(shù)與相關(guān)應(yīng)用。本文來自其在LiveVideoStackCon 2018大會(huì)中的演講，并由LiveVideoStack整理而成。

文 / 劉洛麒

整理 / LiveVideoStack

大家好，我叫劉洛麒，在360人工智能研究院負(fù)責(zé)計(jì)算機(jī)視覺算法方面的工作。本次的分享主要介紹AI與AR在花椒直播中的應(yīng)用。內(nèi)容可以分為三個(gè)部分，第一部分是花椒直播的行業(yè)地位和產(chǎn)品優(yōu)勢(shì)；第二部分是花椒直播的AI算法的技術(shù)儲(chǔ)備和技術(shù)壁壘，這里主要介紹我們到底做了哪些技術(shù)，達(dá)到了一個(gè)什么樣的效果，最后是介紹花椒直播中基于AI的AR特效平臺(tái)。

首先來看一下花椒直播的行業(yè)地位和產(chǎn)品優(yōu)勢(shì)。

?

在去年的第四季度，花椒直播大概在直播平臺(tái)上有2.13%的活躍用戶占比，這個(gè)占比在所有的直播平臺(tái)里算是最高的。

?

另外，花椒直播在去年第四季度有17%的增長(zhǎng)率。由于花椒直播有各種不同的運(yùn)營(yíng)手段，包括在花椒直播中使用技術(shù)手段在平臺(tái)上獲得更多的新的應(yīng)用，使得增長(zhǎng)率保持在一個(gè)非常高的水平。

?

接下來主要介紹一下360AI研究院在人工智能技術(shù)上所做的一些核心工作。360AI研究院聯(lián)合新加坡國(guó)立大學(xué)歷史上共獲得過10余項(xiàng)Pascal和Imagenet比賽的獎(jiǎng)項(xiàng)，并在2012年P(guān)ASCAL收官之戰(zhàn)上曾獲得兩項(xiàng)冠軍，然后在17年的IMAGENET收官之戰(zhàn)上再獲得了兩項(xiàng)單項(xiàng)冠軍。當(dāng)然刷比賽的分?jǐn)?shù)不是我們的核心點(diǎn)，我們同時(shí)還有一些原創(chuàng)性的想法，比如我們?cè)缙诘囊粋€(gè)卷積的想法就獲得了Google最杰出科學(xué)家的郵件感謝和贊許。

?

下面主要介紹我們?cè)诤诵募夹g(shù)上的一些思考。我們?cè)诤诵乃惴ǚ矫嬗腥齻€(gè)網(wǎng)絡(luò)模型的貢獻(xiàn)，比較早期的是Network in Network網(wǎng)絡(luò)，然后是現(xiàn)在比較強(qiáng)的Dual-path Network，即雙通道網(wǎng)絡(luò)，以及推薦用在花椒直播的模型設(shè)計(jì)上的一個(gè)輕量級(jí)的多纖維網(wǎng)絡(luò)，Multi-fiber Network。對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，主要有兩點(diǎn)需要注意，首先是它性能要非常好，另外就是速度和性能的一個(gè)權(quán)衡。

?

NIN網(wǎng)絡(luò)是我們比較早期的工作，相比Alexnent我們主要想到兩點(diǎn)需要改進(jìn)的地方，第一點(diǎn)是卷積層需要改進(jìn)，卷積是一個(gè)局部線性的結(jié)構(gòu)，所以我們就設(shè)置了一個(gè)非常復(fù)雜的局部網(wǎng)絡(luò)結(jié)構(gòu)，比如左邊紅色的一個(gè)框圖，我們把卷積層擴(kuò)展成多層感知機(jī)的一個(gè)局部結(jié)構(gòu)，擴(kuò)展了之后使它的表達(dá)能力會(huì)變得非常強(qiáng)；第二點(diǎn)是連接層的一個(gè)改進(jìn)，我們把全連接層改成Global Average Pooling。

后來出現(xiàn)了殘差網(wǎng)絡(luò)Resnet，它可以優(yōu)化非常深的網(wǎng)絡(luò)。殘差網(wǎng)絡(luò)有很強(qiáng)的遞歸特性，與RNN網(wǎng)絡(luò)有一定的參照性。

?

將殘差網(wǎng)絡(luò)疊起來，當(dāng)參數(shù)共享時(shí)其實(shí)就是RNN。

?

另外一點(diǎn)就是RNN有三階、四階或者更高階的，高階的RNN展開之后其實(shí)就是一個(gè)DenseNet網(wǎng)絡(luò)。這啟發(fā)我們思考?xì)埐罹W(wǎng)絡(luò)和DenseNet網(wǎng)絡(luò)之間的關(guān)系。

?

其實(shí)我們研究了相鄰的兩層，比如上圖中右邊的綠色小圓球和小箭頭的兩層，我們發(fā)現(xiàn)如果把這相鄰的兩層做參數(shù)共享，它可以直接串起來。

?

如果輸入輸出相同時(shí)我們可以再加一個(gè)新的通路。

?

當(dāng)新的通路添加之后需要將結(jié)構(gòu)重新調(diào)整一下。

?

調(diào)整完之后，中間可以形成一個(gè)殘差網(wǎng)絡(luò)結(jié)構(gòu)。也就是說中間網(wǎng)絡(luò)結(jié)構(gòu)和左邊網(wǎng)絡(luò)結(jié)構(gòu)相當(dāng)于是等價(jià)的。我們得出的結(jié)論就是，當(dāng)相鄰兩層參數(shù)共享時(shí)，殘差網(wǎng)絡(luò)就等同于DenseNet網(wǎng)絡(luò)。于是我們?cè)O(shè)計(jì)了DPN來結(jié)合這兩個(gè)網(wǎng)絡(luò)的優(yōu)點(diǎn)。

?

DPN其實(shí)相當(dāng)于有兩個(gè)通道，一部分是DenseNet網(wǎng)絡(luò)結(jié)構(gòu)，另一部分是殘差網(wǎng)絡(luò)結(jié)構(gòu)。這樣就可以同時(shí)保留兩個(gè)網(wǎng)絡(luò)的優(yōu)勢(shì)。

?

我們?cè)俸?jiǎn)化一下，大概是上圖這樣的一個(gè)形式。

?

我們大概設(shè)定了不同深度的網(wǎng)絡(luò)，在同樣的精度下，我們的模型與當(dāng)時(shí)最好的ResNeXt-101模型做比較，結(jié)果如上圖所示。我們的模型比它小26%，計(jì)算量小25%，Memory小8%。

?

然后是單個(gè)模型，單個(gè) center-crop 大概達(dá)到4.16%，這是當(dāng)時(shí)最好的一個(gè)結(jié)果。

?

上圖是結(jié)果的展示，可以看到圖中桌子，花，小朋友等都能非常準(zhǔn)確的檢測(cè)到。

剛才設(shè)計(jì)的是比較大型的高性能網(wǎng)絡(luò)，我們的第三個(gè)設(shè)計(jì)是一個(gè)非常有效的，非常快速的網(wǎng)絡(luò)結(jié)構(gòu)。最近大家用的比較多的網(wǎng)絡(luò)結(jié)構(gòu)中間都采用了分組卷積，比如ResNeXt，它的特點(diǎn)是組與組之間沒有連接，計(jì)算量也因此小了很多。但是ResNeXt的問題就是它的輸入輸出層中的卷積并沒有使用分組卷積，所以我們將輸入輸出層的組與組之間的連接去掉。

?

但是去掉連接后其實(shí)也會(huì)出現(xiàn)問題，于是我們?cè)诿總€(gè)層之間增加了一個(gè)Transistor，相當(dāng)于路由的東西。當(dāng)跑一個(gè)比較簡(jiǎn)單的殘差結(jié)構(gòu)時(shí)可以把組與組之間的信息進(jìn)行信息交換。

?

我們最終也做了一個(gè)視頻分類的問題。

?

上圖顯示的是在Kinetics視頻數(shù)據(jù)集上的一個(gè)結(jié)果，可以看到網(wǎng)絡(luò)還是非常有效的。

前面介紹的是我們核心網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，但我們還需要研究一些可以應(yīng)用在具體問題上的算法，于是我們開發(fā)了基于AI的AR特效平臺(tái)，這個(gè)平臺(tái)也應(yīng)用到了花椒直播上。

花椒的特效平臺(tái)主要包含四個(gè)方面的技術(shù)，第一個(gè)是人臉分析技術(shù)，主要是人臉檢測(cè)，身份識(shí)別等，然后就是背景替換、手勢(shì)識(shí)別以及美顏系統(tǒng)。

?

這些算法準(zhǔn)確率非常高，我們?cè)贔DD 300_W這些庫上都做過驗(yàn)證，同時(shí)其還有非常高的穩(wěn)定性。底層算法也做了很多優(yōu)化，比如在iphone 6s上，CPU占用只有20%，內(nèi)存占用50M，這是在兩年前的數(shù)據(jù)，現(xiàn)在的性能應(yīng)該更高，并且人臉檢測(cè)定位模型也非常小。

?

上圖是我們?nèi)四樂治龅腟DK的一個(gè)效果展示。

?

我們還做了一個(gè)3D的表情驅(qū)動(dòng)，主播和用戶連麥的時(shí)候，很多用戶不想露自己的臉，于是我們通過添加卡通人物，用戶只把聲音傳給主播，表情和卡通人物是聯(lián)動(dòng)的。

?

手勢(shì)識(shí)別的算法可以快速準(zhǔn)確的跟蹤和識(shí)別多種手勢(shì)，并滿足各種高低端終端的使用需求。

?

摳圖算法采用兩種模式以滿足不同用戶的需求，一種模式是主播在直播的時(shí)候可以通過綠幕來替換背景，其特點(diǎn)是穩(wěn)定，資源占用較低；另外一種模式是前后景分割，通過使用FCN模型，將主播人臉、頭發(fā)等摳出來。

?

風(fēng)格化濾鏡，主播在直播時(shí)候可以隨意切換不同的濾鏡。

?

當(dāng)然最核心的還是美顏算法。我們的美顏叫做“可控美顏”，它只對(duì)人前景做美顏效果，在盡量維持整體背景的前提下對(duì)面部區(qū)域進(jìn)行微調(diào)整。

點(diǎn)擊【閱讀原文】或掃描圖中二維碼了解更多LiveVideoStackCon 2019 上海 音視頻技術(shù)大會(huì) 講師信息。

總結(jié)

以上是生活随笔為你收集整理的AI+AR如何提升花椒直播的体验？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。