优酷端侧弹幕穿人技术实战之：PixelAI移动端实时人像分割

一. 业务背景

随着各大视频平台相继推出弹幕穿人功能，广受好评。在大众消费视频的同时，大大增加了观看的娱乐互动性。接着，其他视频、动漫、阅读等内容平台也都增加了弹幕功能。弹幕已经成为一种重要的内容互动的手段。
优酷作为视频消费为主的业务平台，也针对相关爆款视频，推出了服务端分割技术主导的弹幕穿人功能。服务端分割功能稳定，识别精度高，但存在一定的存储和带宽成本，且无法满足实时的特效，特别是爆款视频，时效性要求特别高。因此，优酷视频弹幕穿人业务对移动端的人像分割技术有强烈的需求。

针对优酷弹幕穿人业务，设计了实时性和精度都较高的移动端人像分割模型，加上淘系PixelAI SDK的加持，将人像分割技术上线到优酷移动端弹幕穿人业务。本文将从算法和工程两个方面，详细阐述解决方案。

二. 显著人像分割

优酷弹幕穿人，主要用于视频中显著人像的分割，对于非聚焦区域的人物和背景都无需分割。移动端和服务端模型的设计有很大区别，服务端精度要求高于实时性，因此模型的设计可以更大，对于输入的尺寸要求也可以更大。而对于移动端而言，模型的设计需要精准到每个模块的设计和耗时需求，因此首先需要和业务明确显著人像的定义。显著人像除了指镜头下聚焦的区域外，还需要明确人物的尺寸比例。在明确算法需求的前提下，进行数据采集，打标，模型设计以及训练优化。
1.构建数据集
团队经过了几年的分割沉淀，已经拥有了百万级的人像分割数据，且服务了集团的钉钉和淘系相关业务。
针对优酷特殊的场景需求，将视频场景划分为了：现代都市剧，古代剧，军事题材。在不同的题材中，有针对显著人像的特征，分为了：半身、全身、单人、多人，以及人体不同的姿态。由于影视作品中有很多特殊效果镜头，会影响算法的分割效果，所以针对这些特效，我们还专门收集了一些长尾的数据，比如逆光、暗光、伸手等场景，可以提高模型的鲁棒性。最终，我们使用了百万级的训练数据。

2.模型设计
2.1 轻量化网络研究
目前常用的轻量化网络模型有mobilenet系列、shufflenet系列，ghostnet系列等，但是这些学术界的移动端模型离实际的移动端应用还相差甚远，特别是运行时效上完全不能达到业务需求。针对这一问题，我们在集团的MNN移动端推理框架下，从算子执行时间，不同模块执行效率，不同网络效率三个维度在CPU和GPU模式下进行了对比实验，结果如下图所示：

通过网络参数控制变量实验分析，VGG这类直筒型的网络设计性能最佳，效率最优。
2.2 自研网络AirSegNet系列设计
2.2.1 网络backbone设计
基于前述实验结论，我们重新设计了淘系新的移动端分割网络AirSegNet系列，主要的backbone设计思想如下：
（1）Decode部分的卷积全部使用1x1 conv，先卷积改变通道后与low feature map进行融合，从而降低计算量；
（2）Decode部分融合了x2，x4，x8倍三种尺度的低层特征，还原更多细节；
（3）设置双线性插值参数align_corners=False而非主流的True，获取更精准的边缘分割，在True模式下，当推理的图片输入分辨率与训练不一致时，会存在像素点误差。

模型会针对不同机型，以及CPU或GPU模型，进行相应的修改，已达到最佳的性能。当前我们设计完成了AirSegNet-CPU， AirSegNet-GPU，AirSegNet-Server三种主干架构。
2.2.2 训练优化
在模型训练中，采用交叉熵损失函数作为loss函数，在此基础上逐步实验，发现了几个有效的策略：
(1) 背景权重计算，解决误识别问题。统计训练数据中前景和背景的分布比例，设计分类权重，分类权重采用经典的计算公式：其中，r 表示前景或者背景的比例。
ω=1/(log(1.1+r))
(2) 边缘加权，解决边缘融合效果。
采用5x5的核对ground truth进行膨胀操作；
采用5x5的核对ground truth进行腐蚀操作；
判断图1不等于图2的部分，即为边缘，给边缘分配5倍的loss权重。
(3) 提出聚类loss，提升分割精度。计算公式如下：如果点i、j的ground thuth为同一类，则约束两者的网络输出小于α，否则约束两者的网络输出大于β。
loss_(i,j)={█(max(‖e_i-e_j ‖-α,0) if l_i=l_j@max(β-‖e_i-e_j ‖,0) if l_i≠l_j )┤
（4）使用topk loss。针对难负样本，尤其是针对模型稳定阶段的深度优化有较大的效果。
在使用边缘加权和聚类loss的前提下，针对GPU训练模型的对比实验结果如下：

最终人像IOU达到了0.98。
2.2.3 .后处理优化
模型输出的效果在不同的分辨率下会出现锯齿状的现象，特别是原图尺寸比模型的实际输入尺寸大很多的时候。因此，需要进行一系列后处理优化，提高实际的呈现效果体感。
（1）边缘优化，分为如下两步：
对原始网络输出使用3x3的高斯模糊，平滑人像边缘，实际在模型转成mnn时，同时将高斯模糊融合进网络，既可以节约处理时间，又可以避免在C++中调用高斯模糊。
由于网络输出的是0-1之间的概率值，因此融合背景图后在边缘处会存在过渡区域，采用曲线变换缩小过渡区域。
（2）利用动量抑制帧间抖动，为了自适应处理不动场景和跳变场景，动量是一个变化值，会根据变化的幅度改变阈值。
（3）针对画面变化很小时，采用隔帧检测，减少计算量。

三. 工程部署

AirSegNet系列算法集成到集团的算法部署平台PixelAI SDK中，优酷使用此SDK进行对接。工程端，算法前向主要流程如下图所示，视频序列中每幅图像经过CNN网络，得到初步的分割结果，随后经过后处理（包括平滑和动量处理等步骤），得到稳定精细化的分割结果。整个流程中耗时最久的就是CNN网络推理。

基于集团的MNN推理框架，针对我们的设计的AirSegNet-CPU， AirSegNet-GPU模型，在不同机型上进行了性能测试，如下所示：
性能测试结果（单位：ms）：绿色代表CPU推理耗时，粉色代表GPU推理耗时。
1.Android机型测试

测试结论：
（1）对于高端机型来说（>85），CPU性能很强大，轻量化模型GPU加速均不太明显。
（2）对于中端机型来说（30-70），GPU模型利用GPU加速效果明显，但CPU模型利用GPU反而会变慢，这是因为CPU模型的设计不符合GPU加速逻辑。
（3）对于低端机型来说（<20），由于GPU太弱，所有模型使用GPU推理都会比CPU推理慢。
2.ios机型测试

**ios测试结论：**对于iPhone系列来说，CPU性能很强，CPU模型推理速度高于GPU。
3.优酷业务工程逻辑优化
优酷业务要求，整个SDK请求耗时要小于15ms。根据如上的测试结果，PixelAI SDK框架会根据不同的机型，下发最优的模型，快速适配不同的业务场景。但在优酷业务对接中，仍然进行了如下两个严重的耗时问题：
1）纯GPU模型初始化严重耗时。在下发GPU模型的时候，会存在初始化耗时特别严重的问题，达到秒的级别。因为，MNN的GPU推理初始化时耗时很高，如果单纯下发GPU模型，那么第一帧耗时就会特别高。这就需要从工程端去使用策略来解决。核心解决思路是，如果此类机型GPU模型最优化，则同时下发CPU模型和GPU模型，且同时初始化两类模型。在GPU模型初始化阶段，使用CPU模型先行进行前向，待GPU模型初始化完成后再切回GPU模型进行前向推理。根据如上结论，对于90%以上的机型，CPU的前向推理也是可以满足耗时小于15ms的业务需求的，在用户端达到无感的弹幕体验。
2）纯CPU模型弹幕渲染卡顿。针对优酷弹幕业务的特殊性，除了算法以外，也有很多的渲染线程，在移动端上同时使用模型和这些线程的时候，CPU资源非常吃紧，所以导致渲染卡顿的问题。根据如上的实验结论，对于90%以上机型的GPU模型前向耗时是能符合15ms以内的需求的，因此采用了CPU+GPU混合下发的方式。在不影响渲染的情况下，保证了模型的效率。

查看系类文章：
优酷移动端弹幕穿人架构设计与工程实战总结

参考文献：
[1]Khoreva A, Perazzi F, Benenson R, et al. Learning video object segmentation from static images[J]. arXiv preprint arXiv:1612.02646, 2016.
[2]Jégou S, Drozdzal M, Vazquez D, et al. The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops. 2017: 11-19.
[3]Ding H, Jiang X, Shuai B, et al. Context contrasted feature and gated multi-scale aggregation for scene segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 2393-2402.
[4]Jégou S, Drozdzal M, Vazquez D, et al. The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops. 2017: 11-19.
[5]Chen L C, Zhu Y, Papandreou G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 801-818.
[6]Chen L C, Collins M, Zhu Y, et al. Searching for efficient multi-scale architectures for dense image prediction[J]. Advances in neural information processing systems, 2018, 31.
[7]Tang J, Aksoy Y, Oztireli C, et al. Learning-based sampling for natural image matting[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 3055-3063.
[8]Li H, Xiong P, Fan H, et al. Dfanet: Deep feature aggregation for real-time semantic segmentation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 9522-9531.
[9]Zhang S H, Dong X, Li H, et al. PortraitNet: Real-time portrait segmentation network for mobile device[J]. Computers & Graphics, 2019, 80: 104-113.
[10]Tang J, Aksoy Y, Oztireli C, et al. Learning-based sampling for natural image matting[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 3055-3063.
[11]Zhang Y, Gong L, Fan L, et al. A late fusion cnn for digital matting[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 7469-7478.
[12]Ghosh S, Das N, Das I, et al. Understanding deep learning techniques for image segmentation[J]. ACM Computing Surveys (CSUR), 2019, 52(4): 1-35.
[13]Yuan Y, Chen X, Chen X, et al. Segmentation transformer: Object-contextual representations for semantic segmentation[J]. arXiv preprint arXiv:1909.11065, 2019.
[14]Wang Y, Zhou Q, Liu J, et al. Lednet: A lightweight encoder-decoder network for real-time semantic segmentation[C]//2019 IEEE International Conference on Image Processing (ICIP). IEEE, 2019: 1860-1864.
[15]Wu H, Zhang J, Huang K, et al. Fastfcn: Rethinking dilated convolution in the backbone for semantic segmentation[J]. arXiv preprint arXiv:1903.11816, 2019.
[16]Sengupta S, Jayaram V, Curless B, et al. Background matting: The world is your green screen[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 2291-2300.
[17]Park H, Sjosund L, Yoo Y J, et al. Sinet: Extreme lightweight portrait segmentation networks with spatial squeeze module and information blocking decoder[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2020: 2066-2074.
[18]Luo L, Xue D, Feng X. Ehanet: An effective hierarchical aggregation network for face parsing[J]. Applied Sciences, 2020, 10(9): 3135.
[19]Cheng H K, Tai Y W, Tang C K. Modular interactive video object segmentation: Interaction-to-mask, propagation and difference-aware fusion[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 5559-5568.
[20]Wu T, Tang S, Zhang R, et al. Cgnet: A light-weight context guided network for semantic segmentation[J]. IEEE Transactions on Image Processing, 2020, 30: 1169-1179.