Google剛剛發(fā)布了一個(gè)有趣的AI應(yīng)用,Move Mirror。Move Mirror使用攝像頭捕捉你的動(dòng)作,并實(shí)時(shí)地在8萬(wàn)張圖像中匹配和你的動(dòng)作相近的圖像。
在發(fā)布Move Mirror的同時(shí),Google Creative Lab的Jane Friedhoff和Irene Alvarado發(fā)表長(zhǎng)文,分享了打造Move Mirror的經(jīng)驗(yàn)。
PoseNet
幾個(gè)月前,Google Creative Lab有了制作Move Mirror的想法。顯然,這個(gè)應(yīng)用的核心是位姿估計(jì)(pose estimation)模型。
Google自家就在CVPR 2017上提交了PoseNet的論文。PoseNet可以檢測(cè)多人的2D位姿,并在COCO數(shù)據(jù)集的關(guān)鍵任務(wù)上達(dá)到了當(dāng)前最優(yōu)表現(xiàn)。
表現(xiàn)出色,又是自家出品,所以Move Mirror團(tuán)隊(duì)順理成章地選擇了PoseNet作為應(yīng)用背后的模型。在原型開(kāi)發(fā)階段,團(tuán)隊(duì)通過(guò)簡(jiǎn)單的web API訪問(wèn)PoseNet模型,這極大地簡(jiǎn)化了原型開(kāi)發(fā)流程。只需向內(nèi)部的PoseNet API接口發(fā)送一個(gè)HTTP POST請(qǐng)求,提交base64編碼的圖像,API就會(huì)傳回位姿數(shù)據(jù)(基本無(wú)延遲)。若干行JavaScript代碼,一份API密鑰,搞定!
不過(guò),考慮到不是所有人樂(lè)意把自己的圖像發(fā)送到一個(gè)中央服務(wù)器,順便也為了減少對(duì)后端服務(wù)器的依賴,團(tuán)隊(duì)決定把PoseNet移植到TensorFlow.js上。TensorFlow.js讓用戶可以在他們自己的瀏覽器中運(yùn)行機(jī)器學(xué)習(xí)模型——無(wú)需服務(wù)器。
在Google Brain的TensorFlow.js團(tuán)隊(duì)成員Nikhil Thorat、Daniel Smilkov,以及Google研究員George Papandreou、Tyler Zhu、Dan Oved(Papandreou和Zhu是PoseNet的作者)的幫助下,移植工作順利完成了。
PoseNet單人位姿檢測(cè)過(guò)程
我們將根據(jù)上面的示意圖簡(jiǎn)單介紹PoseNet的位姿檢測(cè)算法。我們看到,圖中標(biāo)明了網(wǎng)絡(luò)架構(gòu)是MobileNet。實(shí)際上,在PoseNet的論文中,研究人員同時(shí)訓(xùn)練了ResNet和MobileNet網(wǎng)絡(luò)。盡管基于ResNet的模型精確度更高,但對(duì)實(shí)時(shí)應(yīng)用來(lái)說(shuō),較大的尺寸和較多的網(wǎng)絡(luò)層會(huì)是頁(yè)面加載時(shí)間和推理時(shí)間不夠理想。因此,TensorFlow.js上的PoseNet使用了MobileNet模型。
網(wǎng)絡(luò)輸出關(guān)鍵點(diǎn)熱圖和偏移向量。關(guān)鍵點(diǎn)熱圖用于估計(jì)關(guān)鍵點(diǎn)的位置,而偏移向量則用來(lái)在熱圖的基礎(chǔ)上進(jìn)一步預(yù)測(cè)關(guān)鍵點(diǎn)的精確位置。
限于篇幅,我們這里不介紹多人位姿估計(jì)算法的細(xì)節(jié)。和單人位姿估計(jì)算法相比,多人位姿估計(jì)算法的主要差別在于使用了貪婪方法分組關(guān)鍵點(diǎn),具體而言,使用了Google在2018年發(fā)表的PersonLab論文中的高速貪婪解碼算法。
構(gòu)建數(shù)據(jù)集
巧婦難為無(wú)米之炊。雖然PoseNet已經(jīng)解決了位姿估計(jì)問(wèn)題,但為了根據(jù)用戶的位姿查找匹配的圖像,首先要有圖像。圖像要符合以下兩個(gè)要求:
多樣性為了更好地匹配用戶做出的各種各樣的動(dòng)作,圖像的位姿需要盡可能多樣化。
全身像從用戶體驗(yàn)的一致性出發(fā),決定只使用全身像。
最終,團(tuán)隊(duì)選擇了包含多種動(dòng)作,不同體型、膚色、文化的一組視頻,將其切分為8萬(wàn)張靜止圖像。使用PoseNet處理這些圖像,并儲(chǔ)存相應(yīng)的位姿數(shù)據(jù)。
你可能注意到,不是所有的圖像都能正確解析位姿,所以丟棄了一些圖像
位姿匹配
PoseNet的位姿數(shù)據(jù)包括17個(gè)關(guān)鍵點(diǎn)的坐標(biāo),以及相應(yīng)的置信度。
為了匹配關(guān)鍵點(diǎn)的相似度,很自然的一個(gè)想法是將17個(gè)關(guān)鍵點(diǎn)轉(zhuǎn)換為向量,那么位姿匹配問(wèn)題就轉(zhuǎn)換為了高維空間中的向量相似性問(wèn)題。這一問(wèn)題有現(xiàn)成的余弦距離方案可用。
將JSON格式的關(guān)鍵點(diǎn)數(shù)據(jù)轉(zhuǎn)換為向量
余弦相似度
如果你不熟悉余弦相似度,這里我們簡(jiǎn)單溫習(xí)下這一概念。余弦相似度測(cè)量?jī)蓚€(gè)向量的相似程度:基本上,它測(cè)量?jī)蓚€(gè)向量之間的夾角,如果兩個(gè)向量方向正好相反,則返回-1,如果兩個(gè)向量方向一致,則返回1。重要的是,它只測(cè)量向量的方向,而不考慮長(zhǎng)度。
圖片來(lái)源:Christian Perone
盡管我們談?wù)摰氖窍蛄亢徒嵌龋嘞蚁嗨贫炔⒉幌抻谥本€和圖。例如,余弦相似度可以得到兩個(gè)字符串的相似度數(shù)值。(如果你曾經(jīng)使用過(guò)Word2Vec,你可能已經(jīng)間接地使用過(guò)余弦相似度。)事實(shí)上,余弦相似度是一個(gè)極其有效的將高維向量的關(guān)系約減至單個(gè)數(shù)字的方法。
溫習(xí)了余弦相似度的概念之后,讓我們回到之前的話題。理論上,直接將關(guān)鍵點(diǎn)數(shù)據(jù)轉(zhuǎn)為向量后,就可以比較其余弦相似度了。實(shí)際上,還需要處理一些細(xì)節(jié),這是因?yàn)閿?shù)據(jù)集中的圖像尺寸大小不同,不同的人也可能出現(xiàn)在圖像的不同局部。
具體而言,進(jìn)行了如下兩項(xiàng)額外處理,以便保持比較的一致性:
縮放根據(jù)每個(gè)人的包圍盒裁剪圖片,然后縮放至固定大小。
標(biāo)準(zhǔn)化L2正則化向量(使分量的平方和等于1)。
L2正則化向量
可視化以上兩個(gè)處理步驟:
最終,根據(jù)下式計(jì)算向量間的距離:
加權(quán)匹配
上面的匹配算法好像缺了點(diǎn)什么?還記得我們之前提到的嗎?
PoseNet的位姿數(shù)據(jù)包括17個(gè)關(guān)鍵點(diǎn)的坐標(biāo),以及相應(yīng)的置信度。
左肘在畫面中清晰可見(jiàn),置信度較高;右肩在畫面中不可見(jiàn),置信度較低
上面的匹配算法根本沒(méi)有考慮置信度呀。顯然,置信度是很重要的信息。為了得到更準(zhǔn)確的結(jié)果,我們應(yīng)該給置信度高的關(guān)鍵點(diǎn)較高的權(quán)重,給置信度低的關(guān)鍵點(diǎn)較低的權(quán)重。換句話說(shuō),增強(qiáng)置信度高的關(guān)鍵點(diǎn)對(duì)相似度的影響,削弱置信度低的關(guān)鍵點(diǎn)對(duì)相似度的影響。
Google研究員George Papandreou和Tyler Zhu給出了將置信度納入考量后的距離公式:
上式中,Ck為第k個(gè)關(guān)鍵點(diǎn)的置信度,xyk為第k個(gè)關(guān)鍵點(diǎn)的x、y坐標(biāo)(經(jīng)過(guò)縮放、標(biāo)準(zhǔn)化等處理)。
加權(quán)匹配提供更精確的結(jié)果。即使身體的部分被遮擋或位于畫面之外,仍然能夠匹配。
優(yōu)化匹配速度
還記得嗎?總共有8萬(wàn)張圖像!如果采用暴力搜索法,每次匹配需要計(jì)算8萬(wàn)次距離。這對(duì)于實(shí)時(shí)應(yīng)用來(lái)說(shuō)不可接受。
為了優(yōu)化匹配速度,需要將8萬(wàn)個(gè)位姿數(shù)據(jù)以某種有序的數(shù)據(jù)結(jié)構(gòu)存儲(chǔ),這樣,匹配的時(shí)候就可以跳過(guò)那些明顯距離很遠(yuǎn)的位姿數(shù)據(jù),從而大大加速匹配進(jìn)程。
Move Mirror選用的數(shù)據(jù)結(jié)構(gòu)是制高點(diǎn)樹(shù)(vantage-point tree,簡(jiǎn)稱VP樹(shù))。
制高點(diǎn)樹(shù)
簡(jiǎn)單溫習(xí)下制高點(diǎn)樹(shù)這一數(shù)據(jù)結(jié)構(gòu)。
圖片來(lái)源:Data Structures for Spatial Data Mining
我們?cè)跀?shù)據(jù)點(diǎn)中選取一點(diǎn)(可以隨機(jī)選?。┳鳛楦?jié)點(diǎn)(上圖中為5)。我們繞著5畫一個(gè)圈,將空間分割成圈內(nèi)和圈外兩部分。接著我們?cè)谌?nèi)、圈外各選一點(diǎn)作為制高點(diǎn)(上圖中為7和1)。接著,繞著每個(gè)制高點(diǎn)各畫一個(gè)圈,同樣在圈內(nèi)、圈外各選一點(diǎn)……以此類推。這里的關(guān)鍵在于,如果我們從點(diǎn)5開(kāi)始,然后發(fā)現(xiàn)7比1更接近目標(biāo),那么我們就可以跳過(guò)1的所有子節(jié)點(diǎn)。
關(guān)于制高點(diǎn)樹(shù)的更多細(xì)節(jié),可以參閱fribbels.github.io/vptree/writeup 使用了制高點(diǎn)樹(shù)(javascript庫(kù)vptree.js)之后,匹配得以在大約15ms內(nèi)完成,對(duì)實(shí)時(shí)應(yīng)用而言,這一數(shù)字很理想。
Move Mirror僅僅返回最匹配用戶位姿的圖像。不過(guò),通過(guò)遍歷制高點(diǎn)樹(shù),不難返回更多結(jié)果,比如最接近的10張或20張圖像。這可以用來(lái)制作調(diào)試工具,發(fā)現(xiàn)數(shù)據(jù)集的問(wèn)題。
Move Mirror調(diào)試工具
結(jié)語(yǔ)
Move Mirror團(tuán)隊(duì)期待能看到更多類似的有趣應(yīng)用,比如匹配舞蹈動(dòng)作,匹配經(jīng)典電影片段?;蛘叻聪虿僮?,基于位姿估計(jì)幫助人們?cè)诩抑芯毩?xí)瑜伽或者進(jìn)行理療。
如果你想親自嘗試Move Mirror效果:g.co/movemirror
如果你也想基于TensorFlow.js上的PoseNet制作應(yīng)用:tensorflow/tfjs-models/posenet
-
Google
+關(guān)注
關(guān)注
5文章
1748瀏覽量
57187 -
機(jī)器學(xué)習(xí)
+關(guān)注
關(guān)注
66文章
8306瀏覽量
131842 -
數(shù)據(jù)集
+關(guān)注
關(guān)注
4文章
1197瀏覽量
24538
原文標(biāo)題:魔鏡煉成記:Google位姿估計(jì)應(yīng)用Move Mirror架構(gòu)與實(shí)現(xiàn)
文章出處:【微信號(hào):jqr_AI,微信公眾號(hào):論智】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論