日前，F(xiàn)acebook 人工智能攝像團(tuán)隊(duì)（AI Camera Team）正在研發(fā)各種計(jì)算機(jī)視覺技術(shù)和創(chuàng)新工具，幫助人們更有創(chuàng)意地表達(dá)自我。比如，利用實(shí)時(shí)“風(fēng)格轉(zhuǎn)換”技術(shù)，你可以制作出“梵高風(fēng)”的照片和視頻。使用實(shí)時(shí)面部追蹤技術(shù)，你可以實(shí)現(xiàn)“一鍵美妝”或者“換頭術(shù)”，變化成各種卡通頭像。那么，你有想過“換身術(shù)“嗎？Facebook 團(tuán)隊(duì)的 AR 全身追蹤技術(shù)或許可以幫你實(shí)現(xiàn)。雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))將該團(tuán)隊(duì)目前取得的成果編譯如下。

為了實(shí)現(xiàn)“換身術(shù)”，我們需要實(shí)時(shí)并準(zhǔn)確地檢測和追蹤身體動(dòng)作。這其實(shí)是一個(gè)非常具有挑戰(zhàn)性的問題，因?yàn)樯眢w姿勢和動(dòng)作變化會(huì)很大，識(shí)別起來并不容易。一個(gè)人可以是坐著的，走著的或是跑動(dòng)著的；人們可能穿著長外套或者短褲； 有時(shí)候人的身體還會(huì)被他人或物體阻擋。這些因素都大大增加了身體追蹤系統(tǒng)保持穩(wěn)健性的難度。

我們團(tuán)隊(duì)最近開發(fā)了一種新的技術(shù)，可以準(zhǔn)確地檢測到身體姿勢，同時(shí)將人體從背景中分割出來。目前，我們的模型還處于研究階段，但這個(gè)模型的好處在于，它只有幾兆大小，可以在智能手機(jī)上實(shí)時(shí)運(yùn)行。不久之后，它還可以衍生出許多新的應(yīng)用程序，比如創(chuàng)建“全身面具”，使用手勢來控制游戲，或者對(duì)人體進(jìn)行“去識(shí)別化（de-identifying）”。

MaskR-CNN2Go的架構(gòu)

我們的人體檢測和分割模型基于一個(gè)叫做“Mask R-CNN”的框架。這是一個(gè)簡單、靈活且十分通用的對(duì)象檢測和分割框架。它可以高效地檢測圖像中的對(duì)象，同時(shí)預(yù)測關(guān)鍵點(diǎn)的運(yùn)行軌跡，并為每個(gè)對(duì)象生成一個(gè)分割掩碼（segmentation mask）。Mask R-CNN 框架研究獲得了 ICCV 2017 年度最佳論文獎(jiǎng)。為了在移動(dòng)設(shè)備上實(shí)時(shí)運(yùn)行 Mask R-CNN 模型，F(xiàn)acebook 的 Camera，F(xiàn)AIR 和 AML 團(tuán)隊(duì)的研究人員和工程師共同合作，構(gòu)建了一個(gè)高效而輕量的框架模型：“Mask R-CNN2Go”。

Mask R-CNN2Go 模型由五個(gè)主要組件組成：

1、主干模型包含多個(gè)卷積層，并且生成輸入圖像的深層特征表征。

2、候選區(qū)域生成網(wǎng)絡(luò)（RPN）以預(yù)定的比例和縱橫比（錨點(diǎn)）生成候選對(duì)象。OI-Align 層從每個(gè)對(duì)象的邊界框中提取其特征并將它們發(fā)送到探測端。

3、探測端口包含一組卷積層，池化層和全連接層。它能預(yù)測每個(gè)候選框中的對(duì)象有多大可能是一個(gè)人體。探測頭還可以改進(jìn)邊界框的坐標(biāo)，將非極大抑制值的相鄰框候選框進(jìn)行分組，并為圖像中的每個(gè)人生成最終的邊界框。

4、利用每個(gè)人的邊界框，我們使用第二個(gè) ROI-Align 層來提取特征，這些特征來自于關(guān)鍵點(diǎn)端口和分割端口的輸入。

5、關(guān)鍵點(diǎn)端口與分割端口具有相似的結(jié)構(gòu)。它為身體上的每個(gè)預(yù)定關(guān)鍵點(diǎn)預(yù)測出一個(gè)掩碼。并使用單一最大掃描來生成最終坐標(biāo)。

　　一個(gè)針對(duì)移動(dòng)設(shè)備而優(yōu)化的輕量級(jí)模型

與現(xiàn)代 GPU 服務(wù)器不同，手機(jī)的算力和存儲(chǔ)空間都十分有限。Mask R-CNN 最初的模型是基于 ResNet的，它太大而且太慢，無法在手機(jī)上運(yùn)行。為了解決這個(gè)問題，我們?yōu)橐苿?dòng)設(shè)備開發(fā)了一個(gè)非常優(yōu)化而高效的模型架構(gòu)。

我們使用了幾種方法來減小模型的大小。首先，我們優(yōu)化了卷積層的數(shù)量和每層的寬度，這也是我們在處理中最耗時(shí)的部分。為了確保擁有足夠大的感受野，我們使用了包括 1×1，3×3 和 5×5 的內(nèi)核大小的組合。另外，我們還使用權(quán)重剪枝算法來縮減模型。我們的最終模型只有幾兆字節(jié)，但是非常精準(zhǔn)。

模塊化設(shè)計(jì)提高了計(jì)算速度

為了能夠?qū)崟r(shí)運(yùn)行深度學(xué)習(xí)算法，我們使用并優(yōu)化了我們的核心框架： 載有 NNPack 的 Caffe2，SNPE和 Metal。通過使用移動(dòng) CPU 和包含 NNPack，SNPE 和 Metal 在內(nèi)的 GPU 庫，我們能夠顯著提高移動(dòng)計(jì)算的速度。并且，所有這些都是通過模塊化設(shè)計(jì)完成的，并不需要改變模型的一般定義。因此，我們既可以獲得較小的模型，又可以獲得較快的運(yùn)行時(shí)間，同時(shí)避免了潛在的不兼容問題。

Facebook AI 研發(fā)團(tuán)隊(duì)（FAIR）最近發(fā)布了 Mask R-CNN 研究平臺(tái)（Detectron）。我們開源了 Caffe2 運(yùn)算符（GenerateProposalsOp，BBoxTransformOp，BoxWithNMSLimit 以及 RoIAlignOp）并提供了必要的模型轉(zhuǎn)換代碼，供研究社區(qū)使用。

下一步是什么

開發(fā)移動(dòng)設(shè)備的計(jì)算機(jī)視覺模型是一項(xiàng)艱巨的任務(wù)。移動(dòng)設(shè)備模型必須小巧，快速而準(zhǔn)確，并且不需要大量內(nèi)存。我們將繼續(xù)探索新的模型架構(gòu)，力求進(jìn)一步提升模型效率。我們還將探索更適合移動(dòng) GPU 和 DSP 的模型，讓它們更加節(jié)省電量和算力。

via research.fb.com 雷鋒網(wǎng)雷鋒網(wǎng)編譯