利用Mask R-CNN2Go实现人体动态捕捉| Facebook AI | 解读技术
利用Mask R-CNN2Go实现人体动态捕捉| Facebook AI | 解读技术
Facebook的智能摄像头团队一直致力于研究各种计算机视觉技术，并进行工具开发以便人们加以应用。比如，应用实时“风格迁移”技术，可以将你的照片或视频渲染成梵高风格。或者应用实时面部捕捉技术，对你的照片进行美颜，甚至直接用化身（比如卡通形象）替换你的头像。更进一步，如果能用化身（Avatar）对你整个身体进行替代会怎样呢？
要想用替身替换你的整个身体，需要能够实时的探测和跟踪你的身体运动。这是一个非常有挑战性的问题，因为需要不断的识别姿势和动作的变化。一个人可能在走路或者跑步，又或者他可能穿着一件长外套或鞋子。此外，还可能经常被障碍物遮挡。以上这些问题都大大增加了建立可靠的人体跟踪系统的难度。
近期，我们研发了一种新技术，该技术可以准确的跟踪人体的姿态，并能将其从背景环境中分离出来。我们的模型现在还处于研究阶段，但我们的模型规模很小（只有几兆大小），并且可以应用到智能手机上。将来，该技术可以广泛应用到不同的领域，比如创造人体面具（body mask），通过身体姿势控制游戏或者对对象身份进行反识别（de-identify)。
我们的人体识别和分割模型是基于Mask R-CNN架构建立的。Mask R-CNN是一种结构简单、灵活性高的通用架构，可以用来进行物体识别和分割。该算法可以高效的从图片中识别出物体，并对物体进行关键点匹配以及边界划分。Mask R-CNN架构获得了ICCV2017最佳论文。为了将Mask R-CNN架构 应用于智能移动设备，Facebook智能摄像头、FAIR和AML等团队的研究者和工程师一同开发了高效、轻量级化的Mask R-CNN2Go模型。
Mask R-CNN2Go模型主要包含以下5个主要特点。
- Trunk模型包含多个卷积层，可以识别图像的深度特征。
- 候选区域生成网络（Regio Proposal network）先通过对输入图像的数层卷积得到一个特征图像，然后在特征图像上生成不同大小和不同长宽比的矩形框（锚点）。然后用ROI-Align层从物体边界框中提取特征，并传送给头部检测层（detection head）。
3. 头部检测层（detection head）包含一系列卷积层、池化层（pooling）和全连接层。对于每个候选区域，头部检测层都会判断其中物体是否是人类。该层还会进一步对区域坐标进行优化，并对邻近的候选区域进行非极大值抑制（non-max suppression）处理，从而形成最终的人体区域边框。
4. 利用第2层RIO-Align层从人体区域边框中继续提取特征，并输入到关键点层（key point head）和分割层（segmentation head）。
5. 关键点层和分割层有着相似的结构，它通过预设的人体关键点来生成人体替代模型。然后，一个单独的最大扫略层用来生成最终的人体坐标。
适用于移动设备的轻量化模型
相比于GPU服务器，移动设备（手机）只有有限的算力和存储空间。传统的Mask R-CNN模型建立在ResNet基础上，该模型对于移动手机来说规模太大，且运行太缓慢。为了解决这个问题，我们开发了一种非常高效的模型框架，非常适用于移动手机。
我们应用了多种方法来缩减模型的规模，比如优化卷积层的数量和宽度（这些是计算过程中最耗时间的部分）。为了确保有足够大的感受野（receptive field），我们将 1×1, 3×3 和 5×5三种不同区域尺寸（kernel size）进行组合应用。权重衰减算法（Weight Pruning）也被用来缩减模型的规模。最终，我们获得一个只有几兆大小且非常精确的新模型。
模块化设计改善计算速度
为了能在移动设备上实时的运行深度学习算法，我们结合NNPack、SNPE、和Metal等方法改进了我们的核心框架Caffe2，在移动设备上的CPU库和GPU库（包含NNPack、SNPE、和Metal算法）上显著的提升了计算能力。这些改进都是基于模块化设计，没有改动基本模型的定义。最终，通过获得了轻量化的模型以及高效的计算能力，又避免了潜在的不相容性。
Facebook AI研究中心（FAIR）最近公布了Mask R-CNN研发平台（Detectron）。同时，我们还对Caffe2系统的（GenerateProposalsOp， BBoxTransformOp， BoxWithNMSLimit，and RoIAlignOp）的使用安装进行了开源，并提供必要的模型版本代码供社区使用。
下一步是什么？
为移动设备开发计算机视觉模型是一项很有挑战的工作。应用于移动设备上的模型必须要规模小、速度快、准确率高，同时不需要很大的存储要求。我们将继续探索新型的建模框架，从而引申出更多高效的模型。此外，我们还将研究更适用于移动手机的GPU和DSP的模型，这样的模型将更加省电。