视频目标分割是目前视频算法领域的前沿话题，越来越多的应用在了各个行业场景里。本次由英特尔与阿里云联合举办、与优酷战略合作的“新内容 新交互“全球视频云创新挑战赛算法赛道，也将目光聚焦于这一个领域。大赛自开赛以来，已经吸引了2000多支队伍参赛，汇聚了全球算法精英。
本文将以“Media AI 阿里巴巴文娱算法挑战赛”为例，精选出由优酷人工智能部算法团队提出的冠军方案，为本届大赛选手提供成功的参赛经验和技术解读。
除传统分割算法需要解决的视角光照变化、目标尺度变化、目标间遮挡等难点之外，面向视频智能生产的人物分割算法还需要关注如下特殊难点：
- 视频场景内容丰富多样：要求算法在复杂背景干扰下正确发掘场景显著主角
- 复杂衣着/手持/附属物：要求算法充分描述目标丰富和复杂的外观语义
- 目标人物快速剧烈动作：要求算法解决运动模糊、剧烈形变带来的误分割、漏分割
Media AI大赛的数据集面向高精度-实例级-视频人物分割任务，提供了1700段逐帧精细标注视频数据，其中初赛和复赛各800段训练集和50段测试集，对上述难点都有体现。
相比于学术/工业界标准的DAVIS和YouTube-VOS数据集，本数据集含有业界最多人体目标标注标签（18万帧，30万标注人体目标），且在标注精度、内容广度等方面均处于行业领先地位。这次数据库依托优酷站内海量资源，囊括古装剧集、现代剧集、街拍、街舞、运动（跑酷、球类、健身）等丰富内容，更加符合智能化视频内容生产的现实需求。经过精细化人工标注，数据集真值掩码图精准勾勒视频人物的边缘细节，为训练以及测试分割算法的准确性和精确性提供了依据。
此外，该数据集还针对人物手持物/附属物进行了标注，有助于算法对人物与物品从属关系进行学习。
冠军方案算法详解
在初赛阶段，优酷人工智能部算法团队以STM（Video Object Segmentation using Space-Time Memory Networks）为基础，进行了彻底的模型复现和以及算法改进。在复赛阶段，以初赛半监督模型为骨干，配合以目标检测、显著性判别、关键帧选择等模块，实现高精度无监督视频分割链路。
- 监督视频人物分割
半监督VOS的任务目标是在给定第一帧物体掩码的前提下，将该物体在后续帧中连续分割出来。
- 1 基本框架
- 提出Spatial Constrained Memory Reader以解决STM空间连续性不足问题
首先STM在像素匹配时是基于外观的匹配，没有考虑物体在相邻两帧之间空间上的连续性。换言之，STM会寻找与前面帧中外观相似的物体，但对该物体出现在何位置不敏感。因此，当一帧中出现多个外观相似物体时，STM的分割结果就有可能产生错误。针对这个问题，DAVIS2020半监督第一名方案的解决方法是将前一帧的物体mask结合到encode之后的feature中，降低离前一帧物体位置较远像素的权重（如图1所示）。实际尝试后发现增益不大。我们认为原因在于训练过程中给与模型过强的位置先验，导致模型分割过分依赖于前一帧的物体位置信息，约束了non-local的长距离匹配能力。一旦出现前一帧物体被遮挡，或者前一帧物体分割错误的情况，整段视频的分割结果将出现不稳定性偏移。
图1. Spatial-contrained STM
DAVIS2020半监督第三名方案对此的解决方案是kernelized memory reader（如图2所示），这种方法能保证memory中的点会匹配到query中最相似的一个区域，可以避免出现一对多匹配的问题。但是不能保证空间上的连续，容易出现不可逆的误差累积
图2. Kernelized-memory STM
综合考虑上述两种方法，我们提出了一种既能考虑前一帧物体位置信息，又不影响原始匹配训练过程的方法。如图3所示，利用前一帧的物体mask生成位置大小相关的高斯核，通过这个高斯核来修正memory中像素的最优匹配位置。之后流程和图2相似，利用每个像素的最优匹配位置对原始匹配进行修正。如此一来，既没有影响训练过程，导致non-local部分匹配能力降低，又引入了spatial prior，保证了物体mask的空间连续性。
图3.Spatial-contrained Mmeory Reader示意图
- 增加ASPP & HRNet post-refinement以解决STM解码器对多尺度目标分割精细度较差问题
通过ASPP增加多尺度信息的捕获能力，利用HRnet对STM的初始分割结果进行refine，优化物体细节的分割效果。
- 2 训练策略
在比赛中采用了两阶段训练的方法。第一个阶段，采用MS-COCO静态图像库成视频序列进行预训练。第二个阶段，将公开数据库（DAVIS,Youtube-vos）和比赛训练集进行合并训练，来保证有足够的数据量。具体训练细节如下：
- Crop相邻3帧图像patch进行训练，尽可能增加augmentation。crop时需要注意一定要保证在第2和第3帧出现的物体都在第一帧出现了，否则应该过滤；
- 将DAVIS,Youtube-vos和比赛训练集以一定比例融合效果最好；
- 训练过程指标波动较大，采用poly学习率策略可缓解；
- 训练比较吃显存，batch size比较小的话要fix所有的bn层。
- 3 其他
- Backbone：更换resnest101
- 测试策略：使用Multi-scale/flip inference
- 4 结果
优酷算法团队的模型，在测试集上取得了95.5的成绩，相比原始STM提高将近5个点。
2. 无监督视频人物分割
无监督VOS的任务目标是在不给定任何标注信息的前提下，自主发掘前景目标并进行连续的分割。无监督VOS方法链路较为复杂，通常不是由单一模型解决，其中涉及到目标检测、数据关联、语义分割、实例分割等模块。
2.1算法框架
我们复赛所采用的算法流程具体分为如下四步：
a. 逐帧做实例分割
采用DetectoRS作为检测器，为保证泛化能力，没有在比赛训练集上finetune模型，而是直接使用在MS COCO数据集进行训练。此阶段只保留person类别。阈值设为0.1，目的是尽可能多地保留proposal。
b. 对实例分割的mask进行后处理
如下左图所示，现有instance segmentation的方法产生的mask分辨率低，边缘粗糙。我们采用语义分割模型对DetectoRS产生的结果进行refine（image+mask ->HRnet -> refined mask）, 结果如下图。可以看出掩码图中的物体边缘以及细节都有了明显的改善。
图4. 检测器（DetectoRS）输出掩码图（上）与refine后掩码图（下）
c. 帧间进行数据关联，得到初步结果
利用STM将t-1帧的mask warp到t帧，这样就可以利用warp后的mask和第t帧的分割结果进行匹配。通过这个过程，补偿了运动等问题产生的影响，稳定性更高。具体的，对于首帧物体，我们保留置信度大于0.8的proposal。对第t-1帧和第t帧做数据关联时，首先利用STM将第t-1帧的结果 warp到第t帧。然后用匈牙利算法对warp后的mask和第t帧由DetectRS生成的proposal进行二部图匹配。
d. 筛选分割结果较好的帧作为key frames进行迭代优化
经上述数据关联以后，我们已经得到了初步的无监督VOS结果，其中每帧的mask是由DetectRS生成，id是由数据关联决定。但是这个结果存在很多问题，还可以进一步优化。比如说视频开始处出现的漏检无法被补上。如下图所示，左侧的人在视频开始处不易被检测，直到第10帧才被检测出来。另外，视频中人体交叠严重处分割质量要远低于人体距离较大处。
因此，我们可以根据物体数量，bbox的交叠程度等信息筛选出一些可能分割较好的帧作为下一轮优化的reference。具体的，我们可以利用筛选出来的key frames作为初始memory，用STM进行双向预测。首先双向预测可以解决视频开始处的漏检，其次STM对于遮挡等问题的处理也要好过单帧的实例分割。经实验验证，每迭代一次STM双向预测，指标都有小幅度提升。
视频目标（人物）分割（Video Object Segmentation，简称为VOS）算法是业界公认的技术重点难点，同时又有着最为广泛的落地场景和应用需求。相信参与本届“新内容 新交互“全球视频云创新挑战赛算法赛道的选手，将以视频目标分割为起点，利用计算机视觉算法领域的诸多技术，为行业和大众打造更加智能化、便捷化、趣味化的视频服务。
