日前，Facebook 人工智能摄像团队（AI Camera Team）正在研发各种计算机视觉技术和创新工具，帮助人们更有创意地表达自我。比如，利用实时“风格转换”技术，你可以制作出“梵高风”的照片和视频。使用实时面部追踪技术，你可以实现“一键美妆”或者“换头术”，变化成各种卡通头像。那么，你有想过“换身术“吗？Facebook 团队的 AR 全身追踪技术或许可以帮你实现。雷锋网将该团队目前取得的成果编译如下。

为了实现“换身术”，我们需要实时并准确地检测和追踪身体动作。这其实是一个非常具有挑战性的问题，因为身体姿势和动作变化会很大，识别起来并不容易。一个人可以是坐着的，走着的或是跑动着的；人们可能穿着长外套或者短裤； 有时候人的身体还会被他人或物体阻挡。这些因素都大大增加了身体追踪系统保持稳健性的难度。

我们团队最近开发了一种新的技术，可以准确地检测到身体姿势，同时将人体从背景中分割出来。目前，我们的模型还处于研究阶段，但这个模型的好处在于，它只有几兆大小，可以在智能手机上实时运行。不久之后，它还可以衍生出许多新的应用程序，比如创建“全身面具”，使用手势来控制游戏，或者对人体进行“去识别化（de-identifying）”。

MaskR-CNN2Go的架构

我们的人体检测和分割模型基于一个叫做“Mask R-CNN”的框架。这是一个简单、灵活且十分通用的对象检测和分割框架。它可以高效地检测图像中的对象，同时预测关键点的运行轨迹，并为每个对象生成一个分割掩码（segmentation mask）。Mask R-CNN 框架研究获得了 ICCV 2017 年度最佳论文奖。为了在移动设备上实时运行 Mask R-CNN 模型，Facebook 的 Camera，FAIR 和 AML 团队的研究人员和工程师共同合作，构建了一个高效而轻量的框架模型：“Mask R-CNN2Go”。

Mask R-CNN2Go 模型由五个主要组件组成：

1、主干模型包含多个卷积层，并且生成输入图像的深层特征表征。

2、候选区域生成网络（RPN）以预定的比例和纵横比（锚点）生成候选对象。OI-Align 层从每个对象的边界框中提取其特征并将它们发送到探测端。

3、探测端口包含一组卷积层，池化层和全连接层。它能预测每个候选框中的对象有多大可能是一个人体。探测头还可以改进边界框的坐标，将非极大抑制值的相邻框候选框进行分组，并为图像中的每个人生成最终的边界框。

4、利用每个人的边界框，我们使用第二个 ROI-Align 层来提取特征，这些特征来自于关键点端口和分割端口的输入。

5、关键点端口与分割端口具有相似的结构。它为身体上的每个预定关键点预测出一个掩码。并使用单一最大扫描来生成最终坐标。

一个针对移动设备而优化的轻量级模型

与现代 GPU 服务器不同，手机的算力和存储空间都十分有限。Mask R-CNN 最初的模型是基于 ResNet的，它太大而且太慢，无法在手机上运行。为了解决这个问题，我们为移动设备开发了一个非常优化而高效的模型架构。

我们使用了几种方法来减小模型的大小。首先，我们优化了卷积层的数量和每层的宽度，这也是我们在处理中最耗时的部分。为了确保拥有足够大的感受野，我们使用了包括 1×1，3×3 和 5×5 的内核大小的组合。另外，我们还使用权重剪枝算法来缩减模型。我们的最终模型只有几兆字节，但是非常精准。

模块化设计提高了计算速度

为了能够实时运行深度学习算法，我们使用并优化了我们的核心框架： 载有 NNPack 的 Caffe2，SNPE和 Metal。通过使用移动 CPU 和包含 NNPack，SNPE 和 Metal 在内的 GPU 库，我们能够显着提高移动计算的速度。并且，所有这些都是通过模块化设计完成的，并不需要改变模型的一般定义。因此，我们既可以获得较小的模型，又可以获得较快的运行时间，同时避免了潜在的不兼容问题。

Facebook AI 研发团队（FAIR）最近发布了 Mask R-CNN 研究平台（Detectron）。我们开源了 Caffe2 运算符（GenerateProposalsOp，BBoxTransformOp，BoxWithNMSLimit 以及 RoIAlignOp）并提供了必要的模型转换代码，供研究社区使用。

下一步是什么

开发移动设备的计算机视觉模型是一项艰巨的任务。移动设备模型必须小巧，快速而准确，并且不需要大量内存。我们将继续探索新的模型架构，力求进一步提升模型效率。我们还将探索更适合移动 GPU 和 DSP 的模型，让它们更加节省电量和算力。