2019年4月27日，清華大學(xué)108周年校慶之際，清華大學(xué)大數(shù)據(jù)研究中心、清華-快手未來(lái)媒體數(shù)據(jù)聯(lián)合研究院共同主辦《清華大數(shù)據(jù)論壇——深度學(xué)習(xí)技術(shù)與應(yīng)用》，清華大學(xué)師生、校友匯聚一堂，探討分享深度學(xué)習(xí)技術(shù)與應(yīng)用的最新進(jìn)展。

據(jù)悉，清華大學(xué)-快手未來(lái)媒體數(shù)據(jù)聯(lián)合研究院于2018年4月正式成立。作為清華大學(xué)校級(jí)科研機(jī)構(gòu)，研究院充分利用清華大學(xué)的領(lǐng)先技術(shù)和快手多年的行業(yè)積累，面向多個(gè)領(lǐng)域開(kāi)展基礎(chǔ)和應(yīng)用研究、開(kāi)發(fā)、集成和快速迭代，共同探討一系列未來(lái)媒體課題，讓技術(shù)更好賦能用戶(hù)，實(shí)現(xiàn)人與人之間更精準(zhǔn)的連接。

軟件學(xué)院2001級(jí)的校友、清華-快手未來(lái)媒體數(shù)據(jù)聯(lián)合研究院副院長(zhǎng)、快手AI技術(shù)副總裁鄭文博士作了題為《深度學(xué)習(xí)在短視頻領(lǐng)域的應(yīng)用和展望》的分享。

鄭文表示，作為一個(gè)日活超過(guò)1.6億的短視頻APP，快手的使命是“用科技提升每一個(gè)人獨(dú)特的幸福感”。有兩個(gè)關(guān)鍵詞，一是“每一個(gè)人”，這說(shuō)明快手的價(jià)值觀是非常普世的，但同時(shí)也強(qiáng)調(diào)每個(gè)人的幸福感是“獨(dú)特的”。光靠人工運(yùn)營(yíng)很難達(dá)到針對(duì)每個(gè)人的服務(wù)，需要通過(guò)人工智能技術(shù)，特別是近幾年有所突破的深度學(xué)習(xí)技術(shù)來(lái)實(shí)現(xiàn)。

鄭文介紹說(shuō)，目前快手是通過(guò)記錄來(lái)提升幸福感的，這可以從兩個(gè)方面來(lái)體現(xiàn)。首先，用戶(hù)希望能看到更廣闊的世界。第二，用戶(hù)也有分享自己，被更廣闊的世界看到的需求。

但是這里面臨一個(gè)挑戰(zhàn)，現(xiàn)在快手累計(jì)擁有超過(guò) 80 億條視頻與數(shù)億用戶(hù)，在這兩個(gè)海量的數(shù)字面前，如何有效分配注意力？過(guò)去，注意力一般會(huì)集中在所謂的“爆款視頻”里，但在爆款視頻之下，還有大量可能包含了非常豐富的信息、類(lèi)別多樣化的內(nèi)容，這種“長(zhǎng)尾視頻”往往很難被別人注意到。如此，一些需求小眾，或者興趣比較細(xì)分的群體往往很難找到他們想要的內(nèi)容。

這個(gè)挑戰(zhàn)決定了必須要依賴(lài)于深度學(xué)習(xí)為主的AI技術(shù)解決該問(wèn)題，代替人工實(shí)現(xiàn)內(nèi)容匹配的分發(fā)?？焓趾茉玳_(kāi)始就在AI相關(guān)技術(shù)方面做了很多積累，從視頻生產(chǎn)到分發(fā)每一個(gè)環(huán)節(jié)都有大量深度學(xué)習(xí)的應(yīng)用。

內(nèi)容生產(chǎn)

鄭文說(shuō)，快手希望通過(guò)AI技術(shù)使得記錄更加豐富有趣，基于這個(gè)目標(biāo)，開(kāi)發(fā)了大量多媒體和AI技術(shù)，比如背景分割、天空分割、頭發(fā)分割，人體關(guān)鍵點(diǎn)、人臉關(guān)鍵點(diǎn)、手勢(shì)關(guān)鍵點(diǎn)檢測(cè)等等，并將它們應(yīng)用在魔法表情中。

快手用戶(hù)跟中國(guó)互聯(lián)網(wǎng)用戶(hù)分布非常一致，中國(guó)互聯(lián)網(wǎng)用戶(hù)里面有很大一部分使用的手機(jī)都是中低端手機(jī)，算力有限。而先進(jìn)的 AI 技術(shù)對(duì)設(shè)備的計(jì)算量的要求極高，為了讓先進(jìn)的技術(shù)被最多的用戶(hù)體驗(yàn)到，快手對(duì)底層平臺(tái)進(jìn)行定制化開(kāi)發(fā)，基于快手自研的 YCNN 深度學(xué)習(xí)推理引擎及媒體引擎，讓上述技術(shù)在大多數(shù)機(jī)型上都能高效運(yùn)行，并針對(duì)不同機(jī)型、不同硬件進(jìn)行了適配和優(yōu)化。

鄭文透露，快手也希望將內(nèi)容質(zhì)量變得更高，研發(fā)并應(yīng)用了很多圖像增強(qiáng)技術(shù)。例如，用戶(hù)在光線很暗的環(huán)境下拍攝，產(chǎn)出的視頻往往會(huì)丟失信息和細(xì)節(jié)，通過(guò)暗光增強(qiáng)技術(shù)，可以將這些細(xì)節(jié)恢復(fù)。

接下來(lái)是快手近期在內(nèi)容生產(chǎn)方面研發(fā)的一些具體的深度學(xué)習(xí)技術(shù)。三維人臉技術(shù)能夠針對(duì)單張人臉圖像恢復(fù)出人臉的三維信息，一方面可以實(shí)現(xiàn)對(duì)人臉的一些修改，比如打光、做一些表情、實(shí)現(xiàn)三維變臉特效；另一方面，通過(guò)三維人臉信息，可以提取出人的表情變化，然后把表情遷移到虛擬的卡通形象上，效果類(lèi)似于 iPhoneX 推出的 Animoji 功能，但 iPhoneX 有結(jié)構(gòu)光攝像頭，且運(yùn)行 Animoji 需要很強(qiáng)大的算力，通過(guò)技術(shù)研發(fā)，在普通攝像頭、配置較低的手機(jī)上也能實(shí)現(xiàn)類(lèi)似功能。

鄭文表示，人像分割技術(shù)能把人像和背景區(qū)分開(kāi)，分別對(duì)人像和背景做特效，或者進(jìn)行背景替換，還可以做人像虛化；頭發(fā)分割，可以把頭發(fā)區(qū)域分割出來(lái)，做染發(fā)效果。天空分割技術(shù)則可以讓天空區(qū)域變得更加超現(xiàn)實(shí)、更加夢(mèng)幻。人體姿態(tài)估計(jì)則是預(yù)測(cè)人的關(guān)節(jié)點(diǎn)位置，利用這一技術(shù)，可以給人體肢體上加特效，或者修改人的體型，做美體瘦身功能。此外，還能重構(gòu)出人體的三維信息，用于控制卡通形象。

手勢(shì)檢測(cè)是把各種特定的不同手形檢測(cè)出來(lái)，實(shí)現(xiàn)“控雨”等玩法。另外還有 AR 相機(jī)姿態(tài)估計(jì)，背后是快手自研的 3D 引擎，并在其基礎(chǔ)上添加編輯器模塊、渲染模塊、肢體模塊、聲音模塊等，來(lái)實(shí)現(xiàn)模型精致而自然的光感、材質(zhì)。

在音視頻方面，應(yīng)用了很多智能算法，比如需要視頻盡可能清晰，但同時(shí)也要求傳輸流暢，這就需要針對(duì)視頻復(fù)雜度做一些自適應(yīng)優(yōu)化。另外，也會(huì)對(duì)圖像進(jìn)行分析，比如視頻里面人臉的區(qū)域往往對(duì)大家的觀感影響最大，會(huì)把人臉的區(qū)域檢測(cè)出來(lái)，將碼率做得更高，使得整體觀感獲得很大的提升。

也會(huì)檢測(cè)圖像質(zhì)量，比如視頻生產(chǎn)過(guò)程中存在一些導(dǎo)致圖像質(zhì)量較低的因素，如拍攝沒(méi)有對(duì)好焦，鏡頭長(zhǎng)期沒(méi)有擦拭，或者視頻經(jīng)過(guò)多次上傳和壓縮而產(chǎn)生塊狀瑕疵。會(huì)把這些問(wèn)題通過(guò) AI 算法檢測(cè)出來(lái)，一方面提醒用戶(hù)拍攝的時(shí)候注意這些問(wèn)題，另一方面在做視頻推薦時(shí)也會(huì)對(duì)高質(zhì)量視頻進(jìn)行一些傾斜。

內(nèi)容理解

據(jù)鄭文介紹，內(nèi)容生產(chǎn)環(huán)節(jié)完成后，視頻會(huì)被上傳到后端服務(wù)器，這里需要對(duì)視頻內(nèi)容進(jìn)行更深層次的理解。視頻的內(nèi)容理解會(huì)用在很多方面，比如內(nèi)容安全、原創(chuàng)保護(hù)、推薦、搜索、廣告等等，這里大概分為兩個(gè)階段。

首先是感知階段，機(jī)器會(huì)從人臉、圖像、音樂(lè)、語(yǔ)音四個(gè)維度對(duì)視頻信息進(jìn)行理解。

人臉是一個(gè)很重要的維度，因?yàn)槿四樛巳怂P(guān)心的最主要的部分，會(huì)對(duì)人臉區(qū)域進(jìn)行檢測(cè)，識(shí)別年齡、性別、表情等。

另外一個(gè)維度是圖像層面，會(huì)對(duì)圖像進(jìn)行分類(lèi)，如圖像的場(chǎng)景是什么；此外也會(huì)檢測(cè)圖像中有哪些物體，還會(huì)進(jìn)行圖像質(zhì)量評(píng)估，以及利用 OCR 技術(shù)從圖像中提取文字。

音樂(lè)是影響視頻感染力很重要的一部分，可以從視頻里識(shí)別出音樂(lè)類(lèi)型，甚至可以對(duì)音樂(lè)進(jìn)行結(jié)構(gòu)化分析，分離伴奏和歌唱部分。

語(yǔ)音也是視頻非常重要的維度，往往從圖像中可能并不能很好地得到視頻所傳達(dá)的信息，這時(shí)候語(yǔ)音就非常重要，會(huì)把語(yǔ)音識(shí)別出來(lái)轉(zhuǎn)化成文字，也會(huì)通過(guò)語(yǔ)音去識(shí)別人物的身份、年齡、性別等等。

第二個(gè)階段是推理階段，會(huì)把這些不同維度的信息進(jìn)行多模態(tài)融合，推理出更高層次的語(yǔ)音信息，或者對(duì)視頻進(jìn)行情感識(shí)別。也用到知識(shí)圖譜技術(shù)，把視頻里的知識(shí)存儲(chǔ)在知識(shí)圖譜里表達(dá)出來(lái)。通過(guò)知識(shí)圖譜的推理，能夠得到一些更高層、更深入的信息。

在內(nèi)容理解方面也做了一些比較具體的技術(shù)，如快手開(kāi)發(fā)了一套視頻標(biāo)簽系統(tǒng)，可以對(duì)視頻里出現(xiàn)的大多數(shù)內(nèi)容和場(chǎng)景進(jìn)行分類(lèi)。在快手語(yǔ)音識(shí)別功能模塊，采用深度學(xué)習(xí)算法，結(jié)合上下文語(yǔ)境模塊，使得識(shí)別精度得到很大提升。

一方面，需要理解視頻內(nèi)容，另一方面，也需要對(duì)用戶(hù)進(jìn)行理解，包含用戶(hù)公開(kāi)的年齡、性別等信息以及用戶(hù)在實(shí)時(shí)使用快手時(shí)產(chǎn)生一些行為數(shù)據(jù)。這些數(shù)據(jù)都會(huì)傳送到后端的深度學(xué)習(xí)模型里，訓(xùn)練出對(duì)用戶(hù)理解的向量。通過(guò)這些向量，可以預(yù)測(cè)用戶(hù)的興趣以及他與其他用戶(hù)之間的關(guān)系。

最后得到對(duì)用戶(hù)的描述以及對(duì)視頻的理解，用戶(hù)和視頻之間的匹配就會(huì)產(chǎn)生萬(wàn)億級(jí)別特征的大數(shù)據(jù)，這個(gè)大數(shù)據(jù)會(huì)被用在實(shí)時(shí)在線的推薦系統(tǒng)里，預(yù)測(cè)用戶(hù)會(huì)對(duì)什么樣的視頻感興趣。另外也會(huì)對(duì)社區(qū)里的內(nèi)容進(jìn)行排序，比如前面提到如何分配注意力，希望注意力分配的差距不要太大，所以會(huì)根據(jù)基尼系數(shù)調(diào)整視頻內(nèi)容的分配情況。此外，還會(huì)考慮到內(nèi)容的安全性、多樣性以及原創(chuàng)保護(hù)等因素。

鄭文表示，希望跟高校、學(xué)界的老師同學(xué)進(jìn)一步加強(qiáng)深度合作，充分利用快手的海量數(shù)據(jù)和強(qiáng)大算力，共同推進(jìn)深度學(xué)習(xí)技術(shù)，挖掘未來(lái)更多的可能性，提升大眾幸福感，這也是成立清華大學(xué)-快手未來(lái)媒體數(shù)據(jù)聯(lián)合研究院的愿景。