被譽為計算機視覺領域 “奧斯卡” 的 CVPR 剛剛落下帷幕，2021 年首屆 “新內容 新互動” 全球視訊雲創新挑戰賽正火熱進行中，這兩場大賽都不約而同地將關注點放在了視訊目標分割領域，本文將詳細分享來自阿里達摩院的團隊在 CVPR DAVIS 視訊目標分割比賽奪冠背後的技術經驗，為本屆大賽參賽選手提供 “他山之石”。
作者｜負天
與影像識別不同，AI 分析理解視訊的技術門檻較高。長期以來，業界在視訊 AI 技術的研究上鮮有重大突破。以 CVPR 會議難度最高的比賽之一 DAVIS（ Densely Annotated Video Segmentation）為例，該比賽需要參賽團隊精準處理複雜視訊中物體快速運動、外觀變化、遮擋等資訊，過去幾年，全球頂級科技在該比賽中的成績從未突破 80 分，而達摩院的模型最終在 test-challenge 上取得了 84.1 的成績。
DAVIS 的資料集經過精心挑選和標註，視訊分割中比較難的點都有體現，比如：快速運動、遮擋、消失與重現、形變等。DAVIS 的資料分為 train（60 個視訊序列）， val（30 個視訊序列），test-dev（30 個視訊序列），test-challenge（30 個視訊序列）。其中 train 和 val 是可以下載的，且提供了每一幀的標註資訊。對於半監督任務， test-dev 和 test-challenge，每一幀的 RGB 圖片可以下載，且第一幀的標註資訊也提供了。演算法需要根據第一幀的標註 mask，來對後續幀進行分割。分割本身是 instance 級別的。
阿里達摩院：畫素級視訊分割
阿里達摩院提供了一種全新的空間約束方法，打破了傳統 STM 方法缺乏時序性的瓶頸，可以讓系統基於視訊前一幀的畫面預測目標物體下一幀的位置；此外，阿里還引入了語義分割中的精細化分割微調模組，大幅提高了分割的精細程度。最終，精準識別動態目標的輪廓邊界，並且與背景進行分離，實現畫素級目標分割。
基本框架
達摩院的演算法基於 2019 年 CVPR 的 STM 做了進一步改進。STM 的主要思想在於，對於歷史幀，每一幀都編碼為 key-value 形式的 feature。預測當前幀的時候，以當前幀的 key 去和歷史幀的 key 做匹配。匹配的方式是 non-local 的。這種 non-local 的匹配，可以看做將當前 key，每個座標上的 C 維特徵，和歷史每一幀在這個座標上的 C 維特徵做匹配。匹配得到的結果，作為一個 soft 的 index，去讀取歷史 value 的資訊。讀取的特徵和當前幀的 value 拼接起來，用於後續的預測。
三大技術創新
1. 空間約束
STM 的特徵匹配方式，提供了一種空間上的長依賴， 類似於 Transformer 中，通過 self-attention 來做序列關聯。這種機制，能夠很好地處理物體運動、外觀變化、遮擋等。但也有一個問題，就是缺乏時序性，缺少短時依賴。當某一幀突然出現和目標相似的物體時，容易產生誤召回。在視訊場景中，很多情況下，當前幀臨近的幾幀，對當前幀的影響要大於更早的幀。基於這一點，達摩院提出依靠前一幀結果，計算 attention 來約束當前幀目標預測的位置，相當於對短期依賴的建模。
具體的方法如下圖所示：
- 當前幀的特徵和前一幀的預測 mask 在 channel 維度上做 concat，得到 HxWx (c+1) 的特徵；
- 通過卷積將特徵壓縮為 HxW；
- 用 sigmoid 函式將 HxW 的特徵，壓縮範圍，作為空間 attention；
- 把 attention 乘到原特徵上，作為空間約束。
下圖為空間 attention 的視覺化結果，可以看到大致對應了前景的位置。
2. 增強 decoder
達摩院引入了語義分割中的感受野增強技術 ASPP 和精細化分割的微調（refinement）模組。ASPP 作用於 memory 讀取後的特徵，用於融合不同感受野的資訊，提升對不同尺度物體的處理能力。
3. 訓練策略
達摩院提出了一個簡單但是有效的訓練策略，減少了訓練階段和測試階段存在的差異，提升了最終效果。
原始 STM 訓練時，會隨機從視訊中取樣 3 幀。這三幀之間的跳幀間隔，隨著訓練逐漸增大，目的是增強模型魯棒性。但達摩院發現，這樣會導致訓練時和測試時不一致，因為測試時，是逐幀處理的。為此，在訓練的最後階段，達摩院將跳幀間隔重新減小，以保證和測試時一致。
其他
backbone: 達摩院使用了 ResNeST 這個比較新的 backbone，它可以無痛替換掉原 STM 的 resnet。在結果上有比較明顯提升。
測試策略: 達摩院使用了多尺度測試和 model ensemble。不同尺度和不同 model 的結果，在最終預測的 map 上，做了簡單的等權重平均。
視訊記憶體優化: 達摩院做了一些視訊記憶體優化方面的工作，使得 STM 在多目標模式下，可以支援大尺度的訓練、測試，以及支援較大的 memory 容量。
資料: 訓練資料上，達摩院使用了 DAVIS、Youtube-VOS，以及 STM 原文用到的靜態影像資料庫。沒有其他資料。
結果
達摩院的模型，最終在 test-challenge 上取得了 84.1 的成績。
在 test-dev 上的消融實驗。達摩院復現的 STM 達到了和原文一致的結果。在各種 trick 的加持下， 得到了 11 個點的提升。
隨著網際網路技術、5G 技術等的發展，短視訊、視訊會議、直播的場景越來越多，視訊分割技術也將成為不可或缺的一環。比如，在視訊會議中，視訊分割可以精確區分前背景，從而對背景進行虛化或替換；在直播中，使用者只需要站在綠幕前，演算法就實時替換背景，實現一秒鐘換新直播間；在視訊編輯領域，可以輔助進行後期製作。
參考
- Oh SW, Lee JY, Xu N, Kim SJ. Video object segmentation using space-time memory networks. InProceedings of the IEEE International Conference on Computer Vision 2019
- Wang X, Girshick R, Gupta A, He K. Non-local neural networks. InProceedings of the IEEE conference on computer vision and pattern recognition 2018
“新內容 新互動” 全球視訊雲創新挑戰賽演算法挑戰賽道
本屆全球視訊雲創新挑戰賽是由阿里雲聯手英特爾主辦，與優酷戰略技術合作，面向企業以及個人開發者的音視訊領域的挑戰賽。演算法挑戰賽道聚焦視訊人像分割領域，視訊分割將傳統影像分割問題延伸到視訊領域，可服務於視訊理解處理和編輯等任務。
演算法賽道描述
本次大賽提供一個大規模高精度視訊人像分割資料集，供參賽選手訓練模型。不同於傳統的二值分割目標（即人像區域標註為 1，其他區域標註為 0），本競賽重點關注分割各個不同的人象例項，目標是從視訊中精確、穩定分割出顯著的（單個或多個）人體例項，以及其相應附屬物、手持物。
本次比賽分為初賽資料集和複賽資料集。複賽資料集等初賽結束後公佈，複賽中也可以使用初賽資料集。
初賽環節提供訓練集供選手下載，訓練資料集共 1650 段視訊。訓練集中每個樣本由 RGB 影像序列和掩碼影像序列組成，RGB 影像序列為原始視訊影像序列，格式為 jpg 檔案；掩碼影像為人體分割的真值 (ground-truth)，格式為 png 檔案，掩碼影像中不同的畫素值表示不同的人體例項，0 為背景區域，非 0 為前景區域（例如 1 為人像 1，2 為人像 2）。RGB 和 png 檔案是一一對應關係。資料集每個視訊的長度為 80 幀～150 幀，每個視訊的解析度不完全相同。預賽的測試資料為 48 段視訊。測試集只提供 RGB 影像序列。如出現多個人像例項，每個人像可以任意順序標註，評測時將被獨立計算。
本次比賽允許引數選手使用其他公開資料集和公開模型，但參賽選手的模型必須滿足能在限定時間內復現的要求，復現精度小於規定誤差。
評估標準
對於演算法恢復的視訊結果，本次比賽採用 Mean J And F 做為評價指標。J 為描述分割人體區域精度的 Jaccard Index，F 為描述分割人體的邊界精確度。具體請參照參考文獻 1。每個視訊允許選手最多輸出 8 個人物分割結果，選手分割結果與真值先進行 IOU 匹配，找到對應的人物後，根據該結果進行評分。多餘的分割結果，沒有懲罰。如果超過 8 個區域，整個視訊結果無效。
獎項設定
冠軍：1 支隊伍，獎金 9 萬人民幣，頒發獲獎證書
亞軍：2 支隊伍，獎金 3 萬人民幣，頒發獲獎證書
季軍：3 支隊伍，獎金 1 萬人民幣，頒發獲獎證書
Cooper Lake 最佳實踐：3 支隊伍，獎金 2 萬人民幣，頒發獲獎證書
此外，複賽稽核通過的排名前 12 隊伍，可進入阿里雲校招綠色通道。
視訊雲大賽正在火熱報名中
掃碼或點選下方連結，一起驅動下一代浪潮！
https://tianchi.aliyun.com/competition/entrance/531873/introduction
