導讀： 線上社交媒體平臺的發展，帶來了細粒度檢索、視頻語義摘要等媒體智能服務的巨大需求。現有的視頻理解技術缺乏深入的語義線索，結合視頻中人物的社交關係才能更完整、準確地理解劇情，從而提升用戶體驗，支撐智能應用。這裡主要介紹我們將動態分析和圖機器學習相結合，圍繞視頻中的人物社交關係網路所開展的兩個最新的工作。主要內容包括：

• 問題背景
• 關係圖生成
• 關係圖應用
• 未來展望

--

01 問題背景

** 1. 現有視頻理解技術缺乏深入語義線索**

現有的視頻理解技術更多地著眼於描述畫面裡人物的行為、動作、身份，很少關註更深層的語義信息。例如上圖中讓子彈飛的例子，現有演算法理解的是“兩個人坐在一起，一個人表情憤怒，另一個人表情開心”，但由於缺乏深入的語義線索，不能解釋這兩個人為什麼表情各異地坐在一起，對劇情的理解其實就不完整，不准確。在視頻理解當中，除了淺層的“所得即所見”之外，還需要更多深層的“所得不可見”的語義挖掘。在多種多樣的語義線索中間，人物社交關係是最核心的線索。

2. 視頻人物社交關係相關研究

在2015年前後就已經有了圖像社交關係識別的研究，其中經典的工作包括PIPA（Zhang et al. 2015）、PISC（Li et al. 2017），主要解決的問題是在靜態圖片上理解圖片中兩個人物之間的關係。但由於靜態圖片本身包含的信息量較少，無法描繪完整的動作和互動行為。到2018年-2019年，社交關係識別任務逐漸推廣到了視頻，產生了MovieGraphs、ViSR等廣為人知的數據集。相比於圖片來說，視頻包含時序信息、人物完整的動作等，信息更加豐富，建模工作相對來說也更加充實。接下來介紹兩篇相關的工作。

CVPR 2019的一個工作提出了MSTR框架，通過整合視頻中的時間域和空間域的信息，來幫助我們理解人物之間的關係。具體來說，如模型框架圖中間部分所示，MSTR採用了三個圖結構，分別是針對同一個人的 Intra Graph、人物之間的Inter Graph、描述人和物之間交互的 Triple Graph。在這三張圖的基礎上，分別採用了TSN和GCN來描述時間和空間上的信息，最後把時間域和空間域兩個向量拼接起來，作為關係分類的一個特征。

MSTR在一些數據集上取得了很好的效果，但這個框架重點是描述人物之間的互動行為，與社交關係存在一定的差異。例如對視，微笑到擁抱這樣一組互動行為，既可能發生在情侶之間，也可能發生在好朋友之間。這時互動行為會對人物關係產生一些干擾。

針對上面的問題，我們在去年有一個相關工作，嘗試增加視頻中的文本信息，包括臺詞、實時彈幕，強化對人物關係的判斷。文中採用多通道特征提取網路的框架，融合某一幀畫面以及對應的文本信息，得到融合後的向量表徵，實現關係分類任務。

通過多模態的信息引入，相比於單模態的方法，效果有明顯提升。另外，在之前MSTR的工作中，要預測兩個人物之間的關係，要求這兩個人必須同時出現，才能得到他們之間的互動行為。但在我們的工作中，即使兩個人沒有同時出現，通過人物對話中對關係的描述，可以間接得到人物關係。

上面工作的局限性在於，沒有充分利用人物之間社交關係的傳遞性。如果站在全局視角，獲得完整的社交關係圖，能更充分地發揮社交關係相互佐證的作用。下麵重點分享下如何生成社交關係圖。

--

02 關係圖生成

我們提出了層次累積的圖捲積網路，一方面整合了短期的視覺、文本、聽覺等線索，另一方面，通過兩個層次的圖捲積網路，生成全局的社交關係圖。其中包含三個模塊：

• **幀級別圖捲積網路
• 多通道時序累積
• 片段級圖捲積網路**

1. 幀級別圖捲積網路

幀級別圖捲積網路模塊的核心目的是生成幀級別的關係子圖，描述當前幀中人物社交關係。為瞭解決單幀信息量較少的問題，除了融合多模態信息之外，這裡還加入了特殊類型的節點。例如上圖紅框中標出來的部分，每一張graph對應一個幀級別的子圖。C開頭的是單個人物的節點，基於人物檢測或人物重識別的技術來識別。P節點是表示人物pair對的節點，G節點描述背景信息，T節點表示當前幀前後幾十秒的文本信息。利用圖捲積網路信息傳遞的特點整合這些信息，強化人物節點的表徵。

** 2. 多通道時序累積**

多通道時序累積模塊的目的是表達幀和幀之間人物關係的動態變化。這裡使用了兩個LSTM，第一個LSTM用在C類型節點（人物外觀姿態的變化），第二個LSTM用於P類型節點（人物之間交互行為的變化），用於捕捉單個人物以及人物之間交互的變化。

3. 片段級圖捲積網路

片段集圖捲積網路模塊的目的是整合幀級別的子圖，得到片段級的人物關係圖。片段級別中包含的信息量比較豐富。有人物、人物之間完整的動作行為、一個完整的小情節，有相對完整的對話信息，不需要太多的輔助信息。因此在上圖紅框中標出來的子圖裡，只包含了C和P兩個類型的節點。另外，這裡額外把片段中的對話音頻信息也加入進來，對應圖中最右的藍色框，此時特征向量中已經包含了視頻、音頻、文本的信息。

4. 模型訓練方式

整個模型的訓練基於弱監督學習的方式來實現。對標註者而言，逐幀標註人物之間的關係是幾乎不可能完成的任務。這裡能夠獲得的label只有片段級的人物關係，直接用於訓練幀級別的網路存在一定的雜訊，這裡通過設計弱監督的損失函數來解決這個問題，只圍繞片段級的圖捲積網路來做訓練。

5. 實驗結果

我們在兩個數據集上進行了驗證：公開數據集ViSR，還有自己構造的bilibili數據集。在兩個數據集上都取得了不錯的效果，由於bilibili數據包含了彈幕，文本信息更加豐富，效果也更加優越。模型中有兩個有趣的發現：

• 敵對關係比友好關係更難識別。由於敵對關係之間的互動較少，能夠捕捉到的線索較少。
• 部分友好關係存在混淆。例如親屬、朋友之間體現的互動和傳遞作用中較為類似。

第一個片段例子表明，片段中涉及的人物越多，我們的模型優勢越大。因為此時片段子圖規模更大，更稠密，社交關係相互印證的作用更明顯。

第三個片段例子中，從視覺上看是敵對關係，但在故事後期兩人發展成了情侶。也就是說隨著劇情發展，人物之間的關係是不斷變化的，這也啟發了我們對於後續工作的靈感。

--

03 關係圖應用

1. 視頻人物社交關係圖應用概覽

人物社交關係圖可以有效提升用戶體驗，支撐語義的智能應用。

• 社交關係圖本身可以幫助觀眾更好地理解劇情。
• 智能應用：劇情片段描述、劇情因果串聯。例如在哈利波特第一部，斯內普對哈利看似十分不滿，但在關鍵時刻又總是幫助他，令人費解。有了完整的人物關係圖之後，就能更好地解釋這些劇情。

2. 基於社交關係的視頻人物檢索

基於社交關係圖的視頻人物檢索，即把視頻中某一個人物出現的片段全部挖掘出來。區別於傳統的人物檢索任務，視頻人物出現的場景沒有特定場景限制，角度、衣著、行為一直在變化，傳統檢索任務中常用的重識別類方法很難獲得好的效果。此時可以利用社交關係對候選集進行篩選，實現更準確的人物識別。

基於上述思路，我們提出了一種基於社交感知的多模態人物檢索方法。模型的主要目的是為了對社交關係的作用進行一個初步驗證，因此沒有用複雜的結構，只用了基礎的矩陣運算和SVM，後續也會考慮如何把GCN融入進來。

視頻片段中間的人物框視作節點，節點之間的關係通過視覺信息+概率校準的SVM來做分類，得到類別標簽及概率。

人物關係圖作為先驗知識融合到網路中，完善視覺相似度的局限性。

• 當兩個人物沒有正臉時，靠視覺信息很難分辨。通過社交關係，這兩個人產生交互的對象完全不同，這時可以認為這兩個人不是同一個人。
• 有時由於姿態、光線的變化，同一個人的兩張圖片視覺相似度較低，這時也可以通過社交關係加以強化。

實驗結果表明，基於社交關係，通過簡單的預訓練+SVM-based關係判別就可以超過當下SOTA的純視覺人物識別效果，證明瞭這個思路的可行性。尤其是在一些有大量遮擋的極端情況下，純視覺的方法失效了，但通過社交好友關係可以幫助我們做判斷。

--

04 未來展望

“萬物皆可圖”，多模態內容概莫能外。動態化、語義化，是多模態+圖的未來方向。

多模態與圖相關技術的融合，例如視覺的分割與關聯，把左邊的圖片轉成右邊這樣的場景圖結構。但這裡主要描述的還是“所得及所見”的直接視覺關係，例如物體的位置關係、包含關係，以及人物的衣著行為等。

在上述描述關係的場景圖的基礎之上，目前已經可以實現對實體的關聯，支撐更細粒度的理解和任務。如圖所示，輸入查詢query “某一個人在打籃球的地方”。如果只使用實體匹配的技術，這裡認為需要找的是人和籃球，會把“人抱著籃球在場邊談話”的場景也檢索出來，如圖中最下麵的一個場景所示。如果用關係圖來描述，前三個場景與最後一個場景得到的關係圖會有很大差異，兩個實體間的邊類型不同。此時可以把檢索問題轉換成子圖相似度匹配的任務，從而獲得更加準確的檢索結果。

目前的場景圖中包含的主要是物體的位置關係、包含關係，以及人物的衣著行為等在畫面中顯而易見的關係。在未來，可以對場景圖增加更多動態化、語義化的線索，支撐更豐富的下游應用。
本文首發於微信公眾號“DataFunTalk”。