视频云大赛——优酷 MEDIA AI 算法挑战赛冠军方案分享
视频目标分割是目前视频算法领域的前沿话题，越来越多的应用在了各个行业场景里。本次由英特尔与阿里云联合举办、与优酷战略合作的 “新内容 新交互 “全球视频云创新挑战赛算法赛道，也将目光聚焦于这一个领域。大赛自开赛以来，已经吸引了 2000 多支队伍参赛，汇聚了全球算法精英。
本文将以 “Media AI 阿里巴巴文娱算法挑战赛” 为例，精选出由优酷人工智能部算法团队提出的冠军方案，为本届大赛选手提供成功的参赛经验和技术解读。
除传统分割算法需要解决的视角光照变化、目标尺度变化、目标间遮挡等难点之外，面向视频智能生产的人物分割算法还需要关注如下特殊难点：
Media AI 大赛的数据集面向高精度 - 实例级 - 视频人物分割任务，提供了 1700 段逐帧精细标注视频数据，其中初赛和复赛各 800 段训练集和 50 段测试集，对上述难点都有体现。
相比于学术 / 工业界标准的 DAVIS 和 YouTube-VOS 数据集，本数据集含有业界最多人体目标标注标签（18 万帧，30 万标注人体目标），且在标注精度、内容广度等方面均处于行业领先地位。这次数据库依托优酷站内海量资源，囊括古装剧集、现代剧集、街拍、街舞、运动（跑酷、球类、健身）等丰富内容，更加符合智能化视频内容生产的现实需求。经过精细化人工标注，数据集真值掩码图精准勾勒视频人物的边缘细节，为训练以及测试分割算法的准确性和精确性提供了依据。
此外，该数据集还针对人物手持物 / 附属物进行了标注，有助于算法对人物与物品从属关系进行学习。
在初赛阶段，优酷人工智能部算法团队以 STM（Video Object Segmentation using Space-Time Memory Networks）为基础，进行了彻底的模型复现和以及算法改进。在复赛阶段，以初赛半监督模型为骨干，配合以目标检测、显著性判别、关键帧选择等模块，实现高精度无监督视频分割链路。
半监督 VOS 的任务目标是在给定第一帧物体掩码的前提下，将该物体在后续帧中连续分割出来。
首先 STM 在像素匹配时是基于外观的匹配，没有考虑物体在相邻两帧之间空间上的连续性。换言之，STM 会寻找与前面帧中外观相似的物体，但对该物体出现在何位置不敏感。因此，当一帧中出现多个外观相似物体时，STM 的分割结果就有可能产生错误。
针对这个问题，DAVIS2020 半监督第一名方案的解决方法是将前一帧的物体 mask 结合到 encode 之后的 feature 中，降低离前一帧物体位置较远像素的权重（如图 1 所示）。实际尝试后发现增益不大。我们认为原因
在于训练过程中给与模型过强的位置先验，导致模型分割过分依赖于前一帧的物体位置信息，约束了 non-local 的长距离匹配能力。一旦出现前一帧物体被遮挡，或者前一帧物体分割错误的情况，整段视频的分割结果将出现不稳定性偏移。
图 1. Spatial-contrained STM
DAVIS2020 半监督第三名方案对此的解决方案是 kernelized memory reader（如图 2 所示），这种方法能保证 memory 中的点会匹配到 query 中最相似的一个区域，可以避免出现一对多匹配的问题。但是不能保证空间上的连续，容易出现不可逆的误差累积。
图 2. Kernelized-memory STM
综合考虑上述两种方法，我们提出了一种既能考虑前一帧物体位置信息，又不影响原始匹配训练过程的方法。如图 3 所示，利用前一帧的物体 mask 生成位置大小相关的高斯核，通过这个高斯核来修正 memory 中像素的最优匹配位置。之后流程和图 2 相似，利用每个像素的最优匹配位置对原始匹配进行修正。如此一来，既没有影响训练过程，导致 non-local 部分匹配能力降低，又引入了 spatial prior，保证了物体 mask 的空间连续性。
图 3.Spatial-contrained Mmeory Reader 示意图
在比赛中采用了两阶段训练的方法。第一个阶段，采用 MS-COCO 静态图像库成视频序列进行预训练。第二个阶段，将公开数据库（DAVIS,Youtube-vos）和比赛训练集进行合并训练，来保证有足够的数据量。具体训练细节如下：
? Backbone：更换 resnest101
? 测试策略：使用 Multi-scale/flip inference
优酷算法团队的模型，在测试集上取得了 95.5 的成绩，相比原始 STM 提高将近 5 个点。
无监督 VOS 的任务目标是在不给定任何标注信息的前提下，自主发掘前景目标并进行连续的分割。无监督 VOS 方法链路较为复杂，通常不是由单一模型解决，其中涉及到目标检测、数据关联、语义分割、实例分割等模块。
我们复赛所采用的算法流程具体分为如下四步：
采用 DetectoRS 作为检测器，为保证泛化能力，没有在比赛训练集上 finetune 模型，而是直接使用在 MS COCO 数据集进行训练。此阶段只保留 person 类别。阈值设为 0.1，目的是尽可能多地保留 proposal。
如下左图所示，现有 instance segmentation 的方法产生的 mask 分辨率低，边缘粗糙。我们采用语义分割模型对 DetectoRS 产生的结果进行 refine（image+mask ->HRnet -> refined mask）, 结果如下图。可以看出掩码图中的物体边缘以及细节都有了明显的改善。
图 4. 检测器（DetectoRS）输出掩码图（上）与 refine 后掩码图（下）
利用 STM 将 t-1 帧的 mask warp 到 t 帧，这样就可以利用 warp 后的 mask 和第 t 帧的分割结果进行匹配。通过这个过程，补偿了运动等问题产生的影响，稳定性更高。具体的，对于首帧物体，我们保留置信度大于 0.8 的 proposal。对第 t-1 帧和第 t 帧做数据关联时，首先利用 STM 将第 t-1 帧的结果 warp 到第 t 帧。然后用匈牙利算法对 warp 后的 mask 和第 t 帧由 DetectRS 生成的 proposal 进行二部图匹配。
经上述数据关联以后，我们已经得到了初步的无监督 VOS 结果，其中每帧的 mask 是由 DetectRS 生成，id 是由数据关联决定。但是这个结果存在很多问题，还可以进一步优化。比如说视频开始处出现的漏检无法被补上。如下图所示，左侧的人在视频开始处不易被检测，直到第 10 帧才被检测出来。另外，视频中人体交叠严重处分割质量要远低于人体距离较大处。
因此，我们可以根据物体数量，bbox 的交叠程度等信息筛选出一些可能分割较好的帧作为下一轮优化的 reference。具体的，我们可以利用筛选出来的 key frames 作为初始 memory，用 STM 进行双向预测。首先双向预测可以解决视频开始处的漏检，其次 STM 对于遮挡等问题的处理也要好过单帧的实例分割。经实验验证，每迭代一次 STM 双向预测，指标都有小幅度提升。
视频目标（人物）分割（Video Object Segmentation，简称为 VOS）算法是业界公认的技术重点难点，同时又有着最为广泛的落地场景和应用需求。相信参与本届 “新内容 新交互 “全球视频云创新挑战赛算法赛道的选手，将以视频目标分割为起点，利用计算机视觉算法领域的诸多技术，为行业和大众打造更加智能化、便捷化、趣味化的视频服务。
大家好，我们是阿里云视频云团队。最近我们在举办全球视频云创新挑战赛，与此同时我们还想把优秀的算法分享给广大开发者，所以我们组织了包括阿里集团精英算法同学在内的技术交流群。加入此群，你将获得：
我们致力于打造最靠谱算法技术交流群，预告一下，最近我们将推出算法公开课，讲师是来自阿里云视频云团队的德国高富帅博士，带来兴趣区域（ ROI ）智能视频编码的算法分享。
标签：asp
（0）