阿里安全图灵实验室推AI新算法获国际顶会肯定 提视频识别精度

摘要： 据悉，阿里安全图灵实验室今年年初已先后刷新世界顶级算法比赛等挑战赛的最好成绩，并将AI能力在内容治理、知识产权、身份认证验证和新零售安防等领域进行运用。

阿里安全图灵实验室高级算法专家析策在ECCV上介绍AI视频识别新算法

手机里存了大量的视频，想剪辑其中的精彩片段却犹如大海捞针？视频网站拥有海量视频，如何严格审核避免问题发生？近日，在德国慕尼黑举办的计算机视觉国际顶会ECCV（European Conference on Computer Vision）上，阿里安全图灵实验室高级算法专家析策展示了最新的AI视频识别算法，其识别精度超越目前主流方法，有效提升了视频自动标签的行业精度，这一新算法已被ECCV收录。

ECCV与CVRP、ICCV并称为计算机视觉领域的三大顶会，因聚集全球技术能力的重要突破和新的方法论，被学术界和工业界高度关注。阿里安全图灵实验室高级算法专家析策表示，为提升AI技术在实际场景中针对视频识别的精度，提出一种新的基于图（Graph）的视频建模方法，能表达含有复杂事件内容的长视频，超越LSTM等序列建模方法。

析策表示，这一方法的主要思路是通过“深度卷积图神经网络”（下称“DCGN”）对视频的帧、镜头、事件进行多级的建模，逐渐地从帧级、镜头级，一直到视频级进行抽象，从而获得视频全局的表达，进而进行分类。

“比如一段美食节目视频中，包含厨师长、主持人聊天、食物、观众等内容，AI在学习视频内容时会先根据内容对视频进行逐帧的语义表达，形成特征序列，用不用的标签进行打标，随后在通过多层次的网络对这些不同打标的内容进行关系表达，深度理解这些内容之间的关联度，将相似的节点衔接起来，最终组合出对整个视频的理解。”析策举例称。

烹饪节目中包含厨师烹饪、主持人聊天、食物、观众等内容，不同内容用不同演示边框表示，最终组合出对整个视频的理解

析策表示，一个视频包含帧、镜头、场景、事件等，帧与帧、镜头与镜头间的关系十分复杂，不仅仅是前后帧的顺序关系，而目前公开的建模方法一般都无法表达如此复杂的关系，DCGN因对复杂内容的深度学习和理解进而提升识别精度，“作为序列建模的通用方法，这种方法的使用不仅局限于视频场景，在语音识别、自然语言处理等场景都有潜在应用价值，这一方法已在阿里体系内进行了应用。”

实际上，越来越多的企业和个人使用各种智能设备来记录日常生活和工作的海量数据，对这些储存的海量数据的挖掘和利用一直是学术界和工业界研究的热点。近期，优酷招聘数据标注师登上热搜，其背后正是通过AI进行动作和场景识别，对视频内容分析后打标，根据用户需求进行个性化推荐。

“新零售的多个场景也在逐步落地AI视频识别技术，也证明这一技术能力的应用领域未来将会持续拓展。”阿里安全图灵实验室资深专家奥创表示，刚刚获悉实验室也在ECCV举办的首届“时尚图像生成国际竞赛”中获得冠军，已受邀在9月14日的研讨会上进行演讲，“也是组委会对我们算法能力的重要肯定。”

据悉，阿里安全图灵实验室今年年初已先后刷新世界顶级算法比赛ICDAR、PASCAL VOC等挑战赛的最好成绩，并将AI能力在内容治理、知识产权、身份认证验证和新零售安防等领域进行运用，覆盖阿里生态的淘宝、支付宝、优酷、UC等核心业务线。

近期刷爆社交网络的网红“AI鉴黄师”，每天可审核数亿张图片，识别准确率高于99.5%，技术能力便来自阿里安全图灵实验室。“我们希望真正用AI能力赋能商业安全，”奥创表示。