据Facebook Research消息，Facebook的AI Camera团队在发表的一篇博客中介绍了其最新研究成果。目前，他们正在研究AR全身追踪技术，该技术可以准确地检测到身体姿势，同时可将人体从背景中分割出来。
其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。并且在不久之后，它还可以衍生出许多新的应用程序，并使这些应用程序产生新的功能，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）”等。对此，AI Camera团队在文章中进行了详细的阐述。
人体检测和分割模型是基于Mask R-CNN框架建立的，该框架的概念简单灵活，并且它是对目标进行检测和分割的通用框架。它可以有效地检测图像中的对象，同时检测关键点并为每个对象生成一个分割掩码。而为了在移动设备上实时运行Mask R-CNN模型，Camera，FAIR和AML团队的研究人员和工程师共同合作，构建了一个高效轻量的框架：Mask R-CNN2Go，它是由五个主要组件构成：
1、其主干模型中包含多个卷积层，并能够表现出图像的深层特征。
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，ROI对齐层可从边界框内的每个对象上提取特征并将它们发送到探测端。
3、该探测端口包含一组卷积层、池化层和全连接层（fully-connected layers）。在每个候选框内，它预测的对象可能是一个人。探测端还可以细化边界框的坐标，将非极大抑制值（non-max suppression）的相邻候选框进行分组，并为图像中的每一个人生成最终的边界框。
4、在每个人的边界框内，都会使用第二个ROI对齐层提取特征，而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。并使用一个最大扫描来生成最终坐标。
与现代GPU服务器不同，移动电话的计算和存储能力十分有限。原始的Mask R-CNN 是基于 ResNet（残差网络）运行，但是它太大，并且运行的很慢，因此无法在手机上使用。为了解决这个问题，我们为移动设备开发了一个非常有效的模型体系结构。
我们使用了几种方法来减轻模型的大小。我们优化卷积层的数量和每层的大小，这也是在处理过程中最耗时的一部分。为了保证拥有足够大的感受野（receptive field），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（weight pruning）来缩减模型。我们的最终模型只有几兆字节，但是非常精准。
为了实时运行深度学习算法，我们使用并优化我们的核心框架：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速度。所有这些都是通过模块化设计完成的，不需要改变一般的模型定义。因此，我们既可以获得较小的模型大小，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，以供研究社区使用。
开发移动设备的计算机视觉模型是一项艰巨的任务。移动模式必须小巧、快速、准确，而且不需要大量内存。我们将继续探索新的模型架构，力求进一步提高模型的效率。我们还将探索更适合移动GPU和DSP的模型，使其更加节省电量和计算能力。
（原文来自：Facebook Research；智东西编译）
最前沿的电子设计资讯
