视频的诞生与变迁：人工智能引领视频创新

作为优质的信息载体，在视频诞生至今的 150 年里，它的传播过程却没有太多改变。而随着近年机器视觉技术与视频的充分融合，结合了 AI 的视频传播具有多大的社会价值？作为一家致力于机器视觉研究的云计算公司，七牛云会在这场变革中承担怎样的角色？


NIUDAY 杭州站，七牛云人工智能实验室负责人彭垚分享了他的观点。






01 视频的起源和发展方向




如今在我们的生活中，摄影机、摄像机随处可见。但很少有人知道世界上第一部摄影机是如何诞生的。1872 年的一天，斯坦福大学创始人和校长——斯坦福与友人科恩打赌，斯坦福认为赛马在奔跑过程中四蹄并不是同时离地，而科恩却不认同他的看法。两人争执不休却又不能说服对方。于是斯坦福找到了一位科学家，科学家提出了连续拍摄胶片，然后回放看录像的方法。尽管最终斯坦福输了赌约，但却参与制造出了世界上第一台摄影机。


这个故事里我们可以看到，视频诞生之初的作用就是取证。相比于图片，视频的优势在于能够留下动作的过程。



图 1

图 1 第一行是常见的监控摄像头，最初是用作取证、保障城市和家中的安全。由于有一部分摄像头可以用于聊天，因此也自带社交属性。


第二行是日常使用的相机、摄像机。最初这些设备被媒体用作取证、记录新闻。而随着电影等娱乐业的发展，也渐渐带上传播属性。


第三行的摄像头就更加普遍了，我们每个人的手机智能机器人都有摄像头。它们可以用来视频通话、直播，是视频的入口和来源。


我们到底用视频做什么？最早是为防止记忆缺失留存影像，用于取证；第二个阶段是做成媒体素材与别人分享；第三个阶段是通过 RTC 与他人进行实时沟通。



02 「机器认知」如何改变视频传播



以往视频在传播过程中，没有「机器认知」这一步骤。人们用摄录设备生产视频，再将视频给别人看。从人到视频再到人，就是一个简单的过程，唯一的区别是视频的载体，有可能是录像带，也有可能是在线视频。


这个过程存在观看者和拍摄者兴趣偏差的问题。观众不可能将所有视频都看一遍，他们只会根据兴趣进行挑选。



图 2


现在，全世界视频的数量已经远远超过人能看的总量。很多场景下，我们需要这些视频都被人工看过，但即使全世界的人停下所有动作只看视频，也不可能看完。所以就需要计算机视觉发挥作用，在人到视频再到人的过程中，插入机器认知这一环节，通过摄像头录下动作，辅助人把视频先看一遍。



图 3


计算机认知里有很多体系化的东西，最基础的是代替人做分类。而认知中最简单的就是判断视频是否合法。其次是在视频画面中将事物检查出来，有多少人，几辆车。也可能将视频主体轮廓进行分割、再加工，做一些精细化工作。最后还可能做一些更上层的业务，比如大量视频的检索和分析等。



03 七牛云计算机视觉产品布局


七牛云计算机视觉产品的目标，就是打造一套能够完整支撑、充分理解视频内容的产品体系。我们将它称作 AI Video OS，主要包含三个子系统。


1.智能多媒体 API （DORA）
第一个子系统是智能多媒体 API（DORA），它是机器视觉的入口，整体识别及认知引擎都来自这个入口。每天互联网用户 App 上传海量富媒体数据都会调用智能多媒体 API 这个入口对视频、图像进行处理、认知。




图 4


目前七牛云官网上提供了包括内容审核、 OCR、场景识别、人脸识别、音视频处理、图片处理六大模块应用呈现。基于七牛云平台弹性扩缩容的方法，即使整个平台每天的数据处理量都在高速增长，服务器也不会承受巨大的压力。


2.深度学习平台（AVA）
第二个子系统是深度学习平台（AVA），负责生成认知模型。通过深度学习平台生产机器认知模型，并不断训练、提升，就能对获得的数据进行更精准的识别。


从 2016 年开始，七牛云就决定要做这个产品。刚开始做鉴黄等内容审核工作的时候，有两位同事负责看涉黄视频，并且进行标注。但随着视频数量增加，不得不投入更多人力进行标注。这时候我们发现最大的痛点就是大量重复劳动。



图 5


从图 5 可以看出，机器学习的过程始于用户行为（左下角）。有用户产生的数据后，就要对数据做抽样、整理、标注等工作，完成标注以后就产生了机器学习样本，这是一个很缓慢的过程。首先是因为有时候会找不到想要的数据。其次，即使找到了之后，也有很多人工标注工作，还需要写大量脚本，用于提取数据。所以很多人说「人工智能首先耗的是人工」。


有了样本之后，就可以进行训练集群训练，并产生一个模型。然后是对模型在大样本下的准确性、易用性进行测试，如果满足需求，就能把它用在深度学习平台。整个流程走通之后，用户就能轻松知道他的内容是否涉黄。


在整个流程中，工作量最大的是图 5 ×××部分中的「数据整理」，它会花费很多时间。



图 6


于是，基于七牛云，我们自己搭建了一套深度学习平台框架（图 6），最上面的一行就是用来解决这些耗时的问题。主要包括：



• 每日撰写迭代训练脚本

• 新数据的增删和管理

• 增量学习和迭代学习

• 搭建半监督打标系统

• 模型的比较和融合

  

  用了这套架构，七牛云弹性深度学习平台能大量减少标注人员的工作，短期内提升模型的能力。
  

  3.大数据富媒体知识库（LEGO）
  第三个子系统是智能大数据富媒体知识库（LEGO），用于富媒体数据的结构化解构。智能富媒体知识库将想要学习的内容进行结构化解构，从而帮助深度学习平台更高效地学习。在整个人工智能环节中，数据是最重要的单元，因此智能富媒体知识库就成了产品体系中非常重要的一环。
  

  
  图 7
  

  2017 年底，我们意识到仅学习数据是不够的。由于这些数据不成体系，会造成高企的维护成本，于是我们搭建了大数据富媒体知识库体系。主要分为三个模块（图 7）：
  

• 视频结构化模块，我们把视频结构化、组件化，把 OS 层要素和分割定位工作全部做完，把较大的图片和视频变成了随时可被提取的小组件。我们很形象地把它叫做乐高。

• 知识图谱，通过关联知识图谱中的政治人物，我们能快速将对应的人物导进视频中。

• 海量检索的大数据检索系统，与传统主要针对文本内容的检索系统不同，我们的产品涉及人物特征、人脸特征、图像特征、视频特征，而特征上会有更复杂的系统结构。所以系统不仅支持普通的全文检索，还可以在富媒体数据，包括视觉特征基础上能够做检索。

  

  
  图 8
  

  图 8 是通过乐高引擎做的广电行业 Demo。通过乐高平台将库中的大量视频进行解构，变成多个小乐高，再进行应用统计：视频包含多少人脸、多少政治人物、人物出现时间段，并以时间轴的形式呈现。除此之外还能在视频库中进行搜索，只要与该人物有关，就能显示他出现的时间段。
  


  04 七牛云计算机视觉产品具有怎样的社会价值？

  

  
  图 9
  

  计算机视觉诞生之后，通过整合无处不在的摄像头，能形成一个信息量最完整的传感器。通过摄像头的视觉算法，汇总这些信息，就能帮助城市运营中心在公共治安、环境改善等方面发挥十分积极的作用。社会因此能更高效地运营，实现万物互联状态。
  

  图 10 列举了七牛云帮助解决的一部分社会问题：
  

  
  图 10
  

  1.内容审核
  摄像头每天都在产生海量的视频。通过机器认知，我们能判断这些内容是否合法，是否适合传播。

  

  
  图 11
  

  在互联网领域做了鉴黄鉴暴之后，我们发现这不仅是互联网公司的责任。政府、广电与互联网都需要参与进来，因为广电、网信办等政府监管机构也需要人工智能辅助审查违规内容。所以在我们开发的过程中，渐渐能判断信息是否有效、是否良好、是否能在整个传播环节中更安全、有效地传递，避免不良信息对社会的伤害。
  

  七牛云通过不断迭代升级视频模型解决了很多问题。例如，由于暴恐场面出现低，所以相应的鉴别就非常难，一百万视频中真正涉及暴恐的视频可能就十几个。但为了不遗漏任何一个涉暴内容，识别精度需要达到 99.999% 以上。
  

  2.城市之眼智能监控
  公安机关在路边设置了非常多的摄像头，有了机器认知之后就能跟踪不同的数据，让盗窃和各种刑事案件更快侦破，这对社会治安乃至国家安全都很有帮助。

  

  
  图 12
  

  对于城市相关服务支撑，我们今天更多回到了行业中。以前我们认为传统安防或者是交警等应用场景会更多，但现在整个城市都需要更智能化地运转。七牛云之前做的特种车辆治理、人流密度管控等任务，对社会的治安包括都大有好处。当然这个过程中最关键的几个视觉的要素还是「人、物、场景」，其次是用到检测的识别，包括要在海量视频中检索，并且把视频当中的行为做一些分析。
  

  
  图 13
  

  图 13 是上海特种车辆治理的大体框图，包含危化车等车辆的实时监控和管控。
  

  值得一提的是，城市之眼系统是正是基于 AI Video OS 。其迭代过程包含整套数据运营体系：数据产生、数据认知、数据学习，最终把学习之后更精细的视频认知能力叠加上去。学习发布完之后，把分析生成好的新模型，再更新到视频分析模型和检测模型当中。随后，将视频结构化的数据库整体更新，得出更多的数据比对，包括碰撞的结果。这些结果输出后可以进行告警，或者用做第三方数据的接入，进行大数据分析。
  

  
  图 14
  

  3.媒资智能
  用在视频图片分类中就能提升平台视频图片的展示，并且根据用户喜好进行分发，让他看到他想看的内容。
  

  比如可以把一段篮球视频结构化分割成投篮、传球等事件。也可以制作知识图谱，有了所有球员的知识图谱之后，就能快速链接到某球员 A 的所有信息。甚至可以快速知道球员 A 是否与 球员 B 做过队友，是否加入了某个俱乐部。通过视频结构化，我们能快速获取各种信息，并在此基础上对海量视频进行分类、审查、再生产、智能检索以及个性化推荐。
  

  4.创新计划
  

  七牛云人工智能实验室根据客户各种各样的定制化的需求：识别生产线的问题、识别快递订单等识别任务，七牛云有一套独立的创新定制化体系满足需求，以更好的服务客户。
  

  
  图 15
  


  05 七牛云计算机视觉产品的最大优势

  

  普通的计算机视觉公司目前只是享受到了人工智能的技术红利。这些公司通过传统的软件、硬件形式将最新的技术服务于客户。而七牛云作为一家行业领先的云计算公司，与他们最大的不同点，就是我们拥有与 AI 密切相关的一整套产品，比如云存储、直播、音视频等。这些产品一旦结合 AI 的能力就能够形成一整套 AI 服务体系。七牛云正是通过这一整套 AI 服务体系来服务客户。
  

  每天有很多生视觉内容输入到七牛云智能多媒体 API，然后 API 会结构化地进入富媒体知识库，知识库将学习资料导入深度学习平台进行学习，学习完成后就有更多高性能的模型包赋能到 API 上，给客户提供更优质、更强大的服务。
  

  
  图 16 
  

  可自我进化的视频 AI 生态系统就是七牛云 AI 创新服务体系最核心的要点。由于计算机视觉的计算量是非常惊人的，因此即使现在有如此多的 GPU 集群，有非常大的超算中心，其实解决的还只是几个比较共性的问题。
  

  目前还有非常多亟待我们创新、理解的视觉问题。我们也希望通过七牛云可进化的视频 AI 闭环生态体系去构建，去解决更多创新的要求。
  

  本文作者
  
  

  
   




转载于:https://blog.51cto.com/7741292/2107317