給1萬幀視頻做目標(biāo)分割，顯存占用還不到1.4GB，代碼已開源
本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。
咦，怎么好好的藤原千花，突然變成了“高溫紅色版”？
這大紫手，難道是滅霸在世？？
如果你以為上面的這些效果只是對(duì)物體后期上色了，那還真是被AI給騙到了。
這些奇怪的顏色，其實(shí)是對(duì)視頻對(duì)象分割的表示。
但u1s1，這效果還真是讓人一時(shí)間分辨不出。
無論是萌妹子飛舞的發(fā)絲：
還是發(fā)生形狀改變的毛巾、物體之間來回遮擋：
AI對(duì)目標(biāo)的分割都稱得上是嚴(yán)絲合縫，仿佛是把顏色“焊”了上去。
不只是高精度分割目標(biāo)，這種方法還能處理超過10000幀的視頻。
而且分割效果始終保持在同一水平，視頻后半段依舊絲滑精細(xì)。
更意外的是，這種方法對(duì)GPU要求不高。
研究人員表示實(shí)驗(yàn)過程中，該方法消耗的GPU內(nèi)存從來沒超過1.4GB。
要知道，當(dāng)下基于注意力機(jī)制的同類方法，甚至都不能在普通消費(fèi)級(jí)顯卡上處理超過1分鐘的視頻。
這就是伊利諾伊大學(xué)厄巴納-香檳分校學(xué)者最新提出的一種長視頻目標(biāo)分割方法XMem。
目前已被ECCV 2022接收，代碼也已開源。
如此絲滑的效果，還在Reddit上吸引不少網(wǎng)友圍觀，熱度達(dá)到800+。
網(wǎng)友都在打趣說：
為什么要把你的手涂成紫色？
誰知道滅霸是不是有計(jì)算機(jī)視覺方面的愛好呢？
模仿人類記憶法
目前已有的視頻對(duì)象分割方法非常多，但是它們要么處理速度比較慢，要么對(duì)GPU要求高，要么精度不夠高。
而本文提出的方法，可以說是兼顧了以上三方面。
不僅能對(duì)長視頻快速進(jìn)行對(duì)象分割，畫面幀數(shù)可達(dá)到20FPS，同時(shí)在普通GPU上就能完成。
其特別之處在于，它受人類記憶模式所啟發(fā)。
1968年，心理學(xué)家阿特金森和希夫林提出多重存儲(chǔ)模型（Atkinson-Shiffrin memory model）。
該模型認(rèn)為，人類記憶可以分為3種模式：瞬時(shí)記憶、短期記憶和長期記憶。
參考如上模式，研究人員將AI框架也劃分出3種內(nèi)存方式。分別是：
- 及時(shí)更新的瞬時(shí)內(nèi)存
- 高分辨率工作內(nèi)存
- 密集長期記憶內(nèi)存。
其中，瞬時(shí)內(nèi)存會(huì)每幀更新一次，來記錄畫面中的圖像信息。
工作內(nèi)存從瞬時(shí)內(nèi)存中收集畫面信息，更新頻率為每r幀一次。
當(dāng)工作內(nèi)存飽和時(shí)，它會(huì)被壓縮轉(zhuǎn)移到長期內(nèi)存里。
而長期內(nèi)存也飽和時(shí)，會(huì)隨著時(shí)間推移忘記過時(shí)的特征；一般來說這會(huì)在處理過數(shù)千幀后才會(huì)飽和。
這樣一來，GPU內(nèi)存也就不會(huì)因?yàn)闀r(shí)間推移而不足了。
通常，對(duì)視頻目標(biāo)進(jìn)行分割會(huì)給定第一幀的圖像和目標(biāo)對(duì)象掩碼，然后模型會(huì)跟蹤相關(guān)目標(biāo)，為后續(xù)幀生成相應(yīng)的掩碼。
具體來看，XMem處理單幀畫面的過程如下：
整個(gè)AI框架由3個(gè)端到端卷積網(wǎng)絡(luò)組成。
一個(gè)查詢編碼器（Query encoder）用來追蹤提取查詢特定圖像特征。
一個(gè)解碼器（Decoder）負(fù)責(zé)獲取內(nèi)存讀取步驟的輸出，以生成對(duì)象掩碼。
一個(gè)值編碼器（Value encoder）可以將圖像和目標(biāo)的掩碼相結(jié)合，從而來提取新的內(nèi)存特征值。
最終值編碼器提取到的特征值會(huì)添加到工作內(nèi)存中。
從實(shí)驗(yàn)結(jié)果來看，該方法在短視頻和長視頻上，都實(shí)現(xiàn)了SOTA。
在處理長視頻時(shí)，隨著幀數(shù)的增加，XMem的性能也沒有下降。
研究團(tuán)隊(duì)
作者之一為華人Ho Kei (Rex) Cheng。
他研究生畢業(yè)于香港科技大學(xué)，目前在伊利諾伊大學(xué)厄巴納-香檳分校讀博。
研究方向?yàn)橛?jì)算機(jī)視覺。
他先后有多篇論文被CVPR、NeurIPS、ECCV等頂會(huì)接收。
另一位作者是 Alexander G. Schwing。
他現(xiàn)在是伊利諾伊大學(xué)厄巴納-香檳分校的助理教授，博士畢業(yè)于蘇黎世聯(lián)邦理工學(xué)院。
研究方向?yàn)闄C(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺。
論文地址：
https://arxiv.org/abs/2207.07115
GitHub：
https://github.com/hkchengrex/XMem
