25個視頻神同步，還能給視頻聲音移花接木，谷歌開源最新自監督算法

曉查 2019-08-09 13:36:35 來源：量子位

讓AI理解視頻里的每一幀

曉查發自凹非寺

量子位出品 | 公眾號 QbitAI

對于AI來說，識別視頻里發生了什么已經不是難事，訓練它的方法就是用帶有標簽的視頻數據集進行監督學習。

比如我們給AI看帶有“棒球”標簽的視頻，然后它就能知道這是什么運動。但這是遠遠不夠的，我們希望它不僅能知道這是什么運動，還希望它能預測球何時被投出去。

可是要讓AI理解視頻里每一幀的內容太難了，因為你不可能逐幀對視頻做標記，用監督學習的方法是不切實際的。

所以谷歌的研究人員提出了一種時間周期一致性學習（TCC）的自監督學習算法，可以在一段連續過程中，找到每一幀和某個具體動作的對應關系。

目前，谷歌已經開源了TCC的代碼，希望讓用戶能夠在自己開發的程序中用上這種最新算法。

TCC原理

當一個人想去倒一杯飲料時，他會去伸手去拿茶壺、酒瓶或水杯。這是一種按特定順序發生的事件。相同類型的視頻都會有類似的時間先后對應關系。

關鍵幀對于所有倒水視頻是相似的，并且存在許多變化因素，例如視點、物體大小，容器形狀或倒水速度的差異。

TCC利用周期一致性原則在相同動作的視頻中找到這種對應關系，通過對齊視頻來學習有用的視覺表征。

首先，訓練算法通過單獨提取每個幀來產生視頻幀的嵌入。然后選擇用于TCC學習的兩個視頻，使用其中一個作為參考視頻，用它的幀嵌入來識別來自第二個視頻相同動作的最近幀。

隨著訓練過程的進行，嵌入器對在動作的上下文中產生對每個視頻幀的語義理解，改善和降低了周期一致性損失。

在下圖中，谷歌展示了使用TCC訓練的模型，該模型來自賓夕法尼亞動作數據集中進行深蹲練習的人的視頻。

圖中左側的每個點對應于幀嵌入，點的位置隨著當前視頻幀動作而變化。盡管在姿勢、光照、身體等方面存在許多差異，TCC還是能在不提供標注的情況將將兩個視頻同步起來。

谷歌還將TCC與其它有監督學習算法進行對比。在識別高爾夫揮桿和網球發球這個兩個動作時，有監督學習需要50個標記樣本才能達到和TCC一樣的準確度，而TCC在僅有一個標記樣本的情況下就已經有很高準確度了。

實際應用

TCC可以在只有一個標記視頻的情況下，將其它同類視頻的動作階段進行分類，并且可以用參考視頻一次對齊多個剪輯視頻，做到“神同步”。

下面就是TCC將25個棒球投手視頻的動作完全同步到一致的例子：

此外，TCC還可以將與一個視頻中的任何幀相關聯的元數據傳輸到另一視頻中。比如將一個倒水視頻中的聲音傳輸到另一個視頻中，做到音畫同步，聽起來毫無違和感。

博客地址：

源代碼地址：