發(fā)布人：Clips 內(nèi)容團(tuán)隊(duì)負(fù)責(zé)人兼研究員 Aseem Agarwala

在我看來，攝影就是在一瞬間內(nèi)認(rèn)識(shí)到某個(gè)事件的重要性，同時(shí)通過精準(zhǔn)的形態(tài)組合完整記錄其面貌。

-Henri Cartier-Bresson

在過去幾年中，人工智能經(jīng)歷了一場(chǎng)類似寒武紀(jì)的大爆發(fā)，借助深度學(xué)習(xí)方法，計(jì)算機(jī)視覺算法已能夠識(shí)別出優(yōu)質(zhì)照片的許多元素，包括人、微笑、寵物、日落和著名地標(biāo)，等等。然而，盡管近期取得了一系列進(jìn)展，自動(dòng)攝影仍是未攻克的一道難題。相機(jī)能自動(dòng)捕捉不平凡的瞬間嗎？

前些日子，我們發(fā)布了 Google Clips，這是一款全新的免持相機(jī)，可自動(dòng)捕捉生活中的有趣瞬間。我們?cè)谠O(shè)計(jì) Google Clips 時(shí)遵循了下面三個(gè)重要原則：

我們希望所有計(jì)算都在設(shè)備端執(zhí)行。除了延長(zhǎng)電池壽命和縮短延遲時(shí)間之外，設(shè)備端處理還意味著，除非保存或共享短片，否則任何短片都不會(huì)離開設(shè)備，這是一項(xiàng)重要的隱私控制措施。

我們希望設(shè)備能夠拍攝短視頻，而不是單張照片。因?yàn)閯?dòng)作能更好地記錄瞬間的形態(tài)，留下更真實(shí)的記憶，而且，為一個(gè)重要瞬間拍攝視頻往往比即時(shí)捕捉一個(gè)完美瞬間更容易。

我們希望專注于捕捉人和寵物的真實(shí)瞬間，而不是將精力放在捕捉藝術(shù)圖像這種更抽象、更主觀的問題上。也就是說，我們并未試圖教 Clips 思考構(gòu)圖、色彩平衡和燈光等問題，而是專注于如何選取包含人和動(dòng)物進(jìn)行有趣活動(dòng)的瞬間。

學(xué)習(xí)識(shí)別不平凡的瞬間

如何訓(xùn)練算法來識(shí)別有趣的瞬間？與大多數(shù)機(jī)器學(xué)習(xí)問題一樣，我們首先從數(shù)據(jù)集入手。先設(shè)想 Clips 的各種應(yīng)用場(chǎng)景，在此基礎(chǔ)上創(chuàng)建出一個(gè)由數(shù)千個(gè)視頻組成的數(shù)據(jù)集。同時(shí)，我們還確保這些數(shù)據(jù)集涵蓋廣泛的種族、性別和年齡群體。然后我們聘請(qǐng)了專業(yè)攝影師和視頻剪輯師仔細(xì)檢查視頻，從中選出最佳的短視頻片段。這些前期處理方式為我們的算法提供了可以模仿的實(shí)例。然而，僅僅依據(jù)專業(yè)人士的主觀選擇來訓(xùn)練算法并不容易，我們需要平滑的標(biāo)簽梯度來教會(huì)算法識(shí)別內(nèi)容的質(zhì)量（從"完美"到"糟糕"）。

為了解決這個(gè)問題，我們采取了另一種數(shù)據(jù)收集方法，目標(biāo)是為整個(gè)視頻創(chuàng)建連續(xù)的質(zhì)量得分。我們將每個(gè)視頻剪輯成短片段（類似于 Clips 捕捉到的內(nèi)容），然后隨機(jī)選擇片段對(duì)，并要求人類評(píng)分者選擇他們喜歡的片段。

之所以采用這種成對(duì)比較的方法，而不是讓評(píng)分者直接為視頻打分，是因?yàn)閮烧邠衿鋬?yōu)要比給出具體分?jǐn)?shù)容易得多。我們發(fā)現(xiàn)評(píng)分者在成對(duì)比較時(shí)的結(jié)論非常一致，而在直接評(píng)分時(shí)則有較大分歧。如果為任意給定視頻提供足夠多的成對(duì)比較短片，我們就能計(jì)算整個(gè)視頻的連續(xù)質(zhì)量得分。通過這一過程，我們從 1000 多個(gè)視頻中收集了超過 5000 萬對(duì)成對(duì)比較短片。如果單純依靠人力，這項(xiàng)工作將異常辛苦。

訓(xùn)練 Clips 質(zhì)量模型

掌握質(zhì)量得分訓(xùn)練數(shù)據(jù)后，下一步是訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)模型來評(píng)估設(shè)備捕捉到的任意照片的質(zhì)量。我們首先做了一個(gè)基本假設(shè)，即了解照片中的內(nèi)容（例如人、狗和樹等）有助于確定"有趣性"。如果此假設(shè)正確，那么我們可以學(xué)習(xí)一個(gè)函數(shù)，通過識(shí)別到的照片內(nèi)容來預(yù)測(cè)其質(zhì)量得分（如上文所述，得分基于人類的對(duì)比評(píng)估結(jié)果）。

為了確定訓(xùn)練數(shù)據(jù)中的內(nèi)容標(biāo)簽，我們使用了支持 Google 圖像搜索和 Google 照片的 Google 機(jī)器學(xué)習(xí)技術(shù)，這項(xiàng)技術(shù)可以識(shí)別超過 27000 個(gè)描述物體、概念和動(dòng)作的不同標(biāo)簽。我們當(dāng)然不需要所有標(biāo)簽，也無法在設(shè)備上對(duì)所有標(biāo)簽進(jìn)行計(jì)算，因此請(qǐng)專業(yè)攝影師從中選擇了幾百個(gè)他們認(rèn)為與預(yù)測(cè)照片"有趣性"最相關(guān)的標(biāo)簽。我們還添加了與評(píng)分者質(zhì)量得分關(guān)聯(lián)度最高的標(biāo)簽。

有了這個(gè)標(biāo)簽子集之后，我們需要設(shè)計(jì)一個(gè)緊湊高效的模型，在電量和發(fā)熱嚴(yán)格受限的條件下于設(shè)備端預(yù)測(cè)任意給定圖像的標(biāo)簽。這項(xiàng)工作提出了不小的難題，因?yàn)橛?jì)算機(jī)視覺所依托的深度學(xué)習(xí)技術(shù)通常需要強(qiáng)大的桌面 GPU，并且移動(dòng)設(shè)備上運(yùn)行的算法遠(yuǎn)遠(yuǎn)落后于桌面設(shè)備或云端的最新技術(shù)。為了在設(shè)備端模型上進(jìn)行此項(xiàng)訓(xùn)練，我們首先收集了大量照片，然后再次使用 Google 基于服務(wù)器的強(qiáng)大識(shí)別模型來預(yù)測(cè)上述每個(gè)"有趣"標(biāo)簽的置信度。我們隨后訓(xùn)練了一個(gè) MobileNet 圖像內(nèi)容模型 (ICM) 來模仿基于服務(wù)器的模型的預(yù)測(cè)。這個(gè)緊湊模型能夠識(shí)別照片中最有趣的元素，同時(shí)忽略不相關(guān)的內(nèi)容。

最后一步是使用 5000 萬成對(duì)比較短片作為訓(xùn)練數(shù)據(jù)，利用 ICM 預(yù)測(cè)的照片內(nèi)容預(yù)測(cè)輸入照片的質(zhì)量得分。得分通過逐段線性回歸模型進(jìn)行計(jì)算，將 ICM 輸出轉(zhuǎn)換為幀質(zhì)量得分。視頻片段中的幀質(zhì)量得分取平均值即為瞬間得分。給定一組成對(duì)比較短片，我們模型計(jì)算出的人類偏好的視頻片段的瞬間得分應(yīng)當(dāng)更高一些。訓(xùn)練模型的目的是使其預(yù)測(cè)結(jié)果盡可能與人類的成對(duì)比較結(jié)果一致。

生成幀質(zhì)量得分的訓(xùn)練過程圖示。逐段線性回歸模型將 ICM 嵌入映射為幀質(zhì)量得分，視頻片段中的所有幀質(zhì)量得分取平均值即為瞬間得分。人類偏好的視頻片段的瞬間得分應(yīng)當(dāng)更高。

通過此過程，我們訓(xùn)練出一個(gè)將 Google 圖像識(shí)別技術(shù)與人類評(píng)分者智慧（5000 萬條關(guān)于內(nèi)容有趣性的評(píng)估意見）完美融合的模型。

這種基于數(shù)據(jù)的得分在識(shí)別有趣（和無趣）瞬間方面已經(jīng)做得很好，我們?cè)诖嘶A(chǔ)上又做了一些補(bǔ)充，針對(duì)我們希望 Clips 捕捉的事件的整體質(zhì)量得分增加了一些獎(jiǎng)勵(lì)，這些事件包括臉部（特別是因經(jīng)常出現(xiàn)而比較"熟悉"的臉部）、微笑和寵物。在最新版本中，我們?yōu)榭蛻籼貏e想捕捉的某些活動(dòng)（如擁抱、親吻、跳躍和跳舞）增加了獎(jiǎng)勵(lì)。要識(shí)別到這些活動(dòng)，需要擴(kuò)展 ICM 模型。

拍照控制

基于這款強(qiáng)大的場(chǎng)景"有趣性"預(yù)測(cè)模型，Clips 相機(jī)可以決定哪些瞬間需要實(shí)時(shí)捕捉。它的拍照控制算法遵循以下三大原則：

重視耗電量和發(fā)熱：我們希望 Clips 的電池能夠續(xù)航大約三小時(shí)，同時(shí)不想設(shè)備過熱，因此設(shè)備不能一直全速運(yùn)轉(zhuǎn)。Clips 大部分時(shí)間都處于每秒拍攝一幀的低電耗模式。如果這一幀的質(zhì)量超出根據(jù) Clips 最近拍攝量所設(shè)置的閾值，它將進(jìn)入高電耗模式，以 15 fps 的速度進(jìn)行拍攝。Clips 隨后會(huì)在遇到第一次質(zhì)量高峰時(shí)保存短片。

避免冗余：我們不希望 Clips 一次捕捉所有瞬間，而忽略了其他內(nèi)容。因此，我們的算法將這些瞬間聚合成視覺相似的組，并限制每一集群中短片的數(shù)量。

后見之明的好處：查看拍攝的所有短片之后再選擇最佳短片顯然要簡(jiǎn)單得多。因此，Clips 捕捉的瞬間要比預(yù)期展示給用戶的多。當(dāng)短片要傳輸?shù)?a target="_blank">手機(jī)時(shí)，Clips 設(shè)備會(huì)花一秒時(shí)間查看其拍攝成果，只把最好和最不冗余的內(nèi)容傳輸過去。

機(jī)器學(xué)習(xí)的公平性

除了確保視頻數(shù)據(jù)集展現(xiàn)人口群體多樣性之外，我們還構(gòu)建了多項(xiàng)測(cè)試來評(píng)估我們算法的公平性。我們通過從不同性別和膚色中均勻采樣，同時(shí)保持內(nèi)容類型、時(shí)長(zhǎng)和環(huán)境條件等變量恒定，來創(chuàng)建可控的數(shù)據(jù)集。然后，我們使用此數(shù)據(jù)集測(cè)試算法在應(yīng)用到其他群體時(shí)是否具備類似性能。為了幫助檢測(cè)提升瞬間質(zhì)量模型時(shí)可能發(fā)生的任何公平性回歸，我們?yōu)樽詣?dòng)系統(tǒng)增加了公平性測(cè)試。對(duì)軟件進(jìn)行的任何變更都要進(jìn)行這些測(cè)試，并且要求必須通過。但需要注意的是，由于我們無法針對(duì)每一個(gè)可能的場(chǎng)景和結(jié)果進(jìn)行測(cè)試，因此，這種方法并不能確保公平性。但實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的公平性畢竟任重而道遠(yuǎn)，無法一蹴而就，而這些測(cè)試將有助于促進(jìn)目標(biāo)的最終實(shí)現(xiàn)。

結(jié)論

大多數(shù)機(jī)器學(xué)習(xí)算法都是圍繞客觀特性評(píng)估而設(shè)計(jì)，例如，判斷照片中是否有貓咪。在我們的用例中，我們的目標(biāo)是捕捉一個(gè)更難捉摸、更主觀的特性，即判斷個(gè)人照片是否有趣。因此，我們將照片的客觀、語義內(nèi)容與主觀人類偏好相結(jié)合，在 Google Clips 中實(shí)現(xiàn)了人工智能。此外，Clips 的設(shè)計(jì)目標(biāo)是與人協(xié)同，而不是自主工作；為了獲得良好的拍攝效果，拍攝人仍要具備取景意識(shí)并確保相機(jī)對(duì)準(zhǔn)有趣的拍攝內(nèi)容。我們對(duì) Google Clips 的出色表現(xiàn)感到欣慰，期待繼續(xù)改進(jìn)算法來捕捉"完美"瞬間！

致謝

本文介紹的算法由眾多 Google 工程師、研究員和其他人共同構(gòu)想并實(shí)現(xiàn)。圖片由 Lior Shapira 制作。同時(shí)感謝 Lior 和 Juston Payne 提供視頻內(nèi)容。