4月27日，清華大學108周年校慶之際，清華大學大數據研究中心、清華-快手未來媒體數據聯合研究院共同主辦《清華大數據論壇——深度學習技術與應用》，清華大學師生、校友匯聚一堂，探討分享深度學習技術與應用的最新進展。
清華大學-快手未來媒體數據聯合研究院于2018年4月正式成立。作為清華大學校級科研機構，研究院充分利用清華大學的領先技術和快手多年的行業積累，面向多個領域開展基礎和應用研究、開發、集成和快速迭代，共同探討一系列未來媒體課題，讓技術更好賦能用戶，實現人與人之間更精準的連接。
軟件學院2001級的校友、清華-快手未來媒體數據聯合研究院副院長、快手AI技術副總裁鄭文博士作了題為《深度學習在短視頻領域的應用和展望》的分享。以下為演講的核心內容。
作為一個日活超過1.6億的短視頻APP，快手的使命是“用科技提升每一個人獨特的幸福感”。這里有兩個關鍵詞，一是“每一個人”，這說明快手的價值觀是非常普世的，但我們同時也強調每個人的幸福感是“獨特的”。光靠人工運營很難達到針對每個人的服務，需要通過人工智能技術，特別是近幾年有所突破的深度學習技術來實現。
目前快手是通過記錄來提升幸福感的，這可以從兩個方面來體現。首先，用戶希望能看到更廣闊的世界。第二，用戶也有分享自己，被更廣闊的世界看到的需求。
但是這里面臨一個挑戰，現在快手累計擁有超過 80 億條視頻與數億用戶，在這兩個海量的數字面前，如何有效分配注意力？過去，注意力一般會集中在所謂的“爆款視頻”里，但在爆款視頻之下，還有大量可能包含了非常豐富的信息、類別多樣化的內容，這種“長尾視頻”往往很難被別人注意到。如此，一些需求小眾，或者興趣比較細分的群體往往很難找到他們想要的內容。
這個挑戰決定了我們必須要依賴于深度學習為主的AI技術解決該問題，代替人工實現內容匹配的分發。快手很早開始就在AI相關技術方面做了很多積累，從視頻生產到分發每一個環節都有大量深度學習的應用。
內容生產
快手希望通過 AI 技術使得記錄更加豐富有趣，基于這個目標，我們開發了大量多媒體和 AI 技術，比如背景分割、天空分割、頭發分割，人體關鍵點、人臉關鍵點、手勢關鍵點檢測等等，并將它們應用在魔法表情中。
快手用戶跟中國互聯網用戶分布非常一致，中國互聯網用戶里面有很大一部分使用的手機都是中低端手機，算力有限。而先進的 AI 技術對設備的計算量的要求極高，為了讓先進的技術被最多的用戶體驗到，快手對底層平臺進行定制化開發，基于快手自研的 YCNN 深度學習推理引擎及媒體引擎，讓上述技術在大多數機型上都能高效運行，并針對不同機型、不同硬件進行了適配和優化。
快手也希望將內容質量變得更高，研發并應用了很多圖像增強技術。例如，用戶在光線很暗的環境下拍攝，產出的視頻往往會丟失信息和細節，通過暗光增強技術，可以將這些細節恢復。
接下來是快手近期在內容生產方面研發的一些具體的深度學習技術。三維人臉技術能夠針對單張人臉圖像恢復出人臉的三維信息，一方面可以實現對人臉的一些修改，比如打光、做一些表情、實現三維變臉特效；另一方面，通過三維人臉信息，我們可以提取出人的表情變化，然后把表情遷移到虛擬的卡通形象上，效果類似于 iPhoneX 推出的 Animoji 功能，但 iPhoneX 有結構光攝像頭，且運行 Animoji 需要很強大的算力，我們通過技術研發，在普通攝像頭、配置較低的手機上也能實現類似功能。
剛才也提到了語義分割技術，人像分割技術能把人像和背景區分開，分別對人像和背景做特效，或者進行背景替換，還可以做人像虛化；頭發分割，可以把頭發區域分割出來，做染發效果。天空分割技術則可以讓天空區域變得更加超現實、更加夢幻。
人體姿態估計則是預測人的關節點位置，利用這一技術，我們可以給人體肢體上加特效，或者修改人的體型，做美體瘦身功能。此外，我們還能重構出人體的三維信息，用于控制卡通形象。
手勢檢測是把各種特定的不同手形檢測出來，實現「控雨」等玩法。另外還有 AR 相機姿態估計，背后是快手自研的 3D 引擎，并在其基礎上添加編輯器模塊、渲染模塊、肢體模塊、聲音模塊等，來實現模型精致而自然的光感、材質。
在音視頻方面，我們應用了很多智能算法，比如需要視頻盡可能清晰，但同時也要求傳輸流暢，這就需要針對視頻復雜度做一些自適應優化。另外，我們也會對圖像進行分析，比如視頻里面人臉的區域往往對大家的觀感影響最大，我們會把人臉的區域檢測出來，將碼率做得更高，使得整體觀感獲得很大的提升。
我們也會檢測圖像質量，比如視頻生產過程中存在一些導致圖像質量較低的因素，如拍攝沒有對好焦，鏡頭長期沒有擦拭，或者視頻經過多次上傳和壓縮而產生塊狀瑕疵。我們會把這些問題通過 AI 算法檢測出來，一方面提醒用戶拍攝的時候注意這些問題，另一方面在做視頻推薦時也會對高質量視頻進行一些傾斜。
內容理解
內容生產環節完成后，視頻會被上傳到后端服務器，這里我們需要對視頻內容進行更深層次的理解。視頻的內容理解會用在很多方面，比如內容安全、原創保護、推薦、搜索、廣告等等，這里大概分為兩個階段。
首先是感知階段，機器會從人臉、圖像、音樂、語音四個維度對視頻信息進行理解。
人臉是一個很重要的維度，因為人臉往往包含了人所關心的最主要的部分，我們會對人臉區域進行檢測，識別年齡、性別、表情等。
另外一個維度是圖像層面，我們會對圖像進行分類，如圖像的場景是什么；此外也會檢測圖像中有哪些物體，還會進行圖像質量評估，以及利用 OCR 技術從圖像中提取文字。
音樂是影響視頻感染力很重要的一部分，我們可以從視頻里識別出音樂類型，甚至可以對音樂進行結構化分析，分離伴奏和歌唱部分。
語音也是視頻非常重要的維度，往往從圖像中可能并不能很好地得到視頻所傳達的信息，這時候語音就非常重要，我們會把語音識別出來轉化成文字，也會通過語音去識別人物的身份、年齡、性別等等。
第二個階段是推理階段，我們會把這些不同維度的信息進行多模態融合，推理出更高層次的語音信息，或者對視頻進行情感識別。我們也用到知識圖譜技術，把視頻里的知識存儲在知識圖譜里表達出來。通過知識圖譜的推理，能夠得到一些更高層、更深入的信息。
在內容理解方面我們也做了一些比較具體的技術，如快手開發了一套視頻標簽系統，可以對視頻里出現的大多數內容和場景進行分類。在快手語音識別功能模塊，我們采用深度學習算法，結合上下文語境模塊，使得識別精度得到很大提升。
一方面，我們需要理解視頻內容，另一方面，我們也需要對用戶進行理解，包含用戶公開的年齡、性別等信息以及用戶在實時使用快手時產生一些行為數據。這些數據都會傳送到后端的深度學習模型里，訓練出對用戶理解的向量。通過這些向量，我們可以預測用戶的興趣以及他與其他用戶之間的關系。
最后我們得到對用戶的描述以及對視頻的理解，用戶和視頻之間的匹配就會產生萬億級別特征的大數據，這個大數據會被用在實時在線的推薦系統里，預測用戶會對什么樣的視頻感興趣。另外我們也會對社區里的內容進行排序，比如前面提到如何分配注意力，我們希望注意力分配的差距不要太大，所以會根據基尼系數調整視頻內容的分配情況。此外，還會考慮到內容的安全性、多樣性以及原創保護等因素。
最后，我們也希望跟高校、學界的老師同學進一步加強深度合作，充分利用快手的海量數據和強大算力，共同推進深度學習技術，挖掘未來更多的可能性，提升大眾幸福感，這也是成立清華大學-快手未來媒體數據聯合研究院的愿景，謝謝大家。
