爱奇艺是中国最大的在线视频公司之一，其愿景是“做一家以科技创新为驱动的伟大娱乐公司”。创新是刻印在爱奇艺体内的平台基因，爱奇艺希望通过不断的技术创新，持续改善用户的娱乐体验，其中就包括在AI/AR领域的创新研究。
图1. SmileAR Logo
SmileAR是爱奇艺自研的基于TensorFlow Lite的移动端AR解决方案，该方案包含人脸检测、人脸关键点、人体关键点、人像分割、手势识别、物体识别等基础算法。基于这些基础算法我们进一步封装了美颜、美体、尬舞机、扫一扫等AR应用。目前SmileAR已部署到爱奇艺旗下的多个产品中，包括日活过亿的爱奇艺主APP、奇巴布、姜饼短视频及爱奇艺直播机等。
图2. SmileAR移动端AR解决方案系统框架
人脸关键点识别与追踪
对于直播和视频拍摄，人脸关键点定位是其中一项重要的基础能力。人脸关键点是指人脸区域中能够体现表情状态的脸部位置，包括眼睛、嘴巴、鼻子等部位。基于人脸关键点定位得到的准确点位信息，可以实现瘦脸、局部美妆、虚拟穿戴等功能。这些功能已经在爱奇艺主站APP的短视频拍摄中落地，可以自动进行瘦脸、大眼等美颜功能，还能切换各种风格的头饰穿戴，让普通用户也能拥有一张明星脸。
图3. SmileAR人脸关键点算法Demo
手势跟踪与识别
手势识别是移动端上的一种重要交互方式，根据不同手势触发响应动效，能提高短视频的交互性。手势识别采用了SSD检测模型，使用MobileNet作为主干网络，在部署时使用量化技术提高执行速度，最终在移动端实现了实时手势检测。目前爱奇艺手势识别已经部署在了爱奇艺客户端、爱奇艺直播机、姜饼短视频等APP中。
图4. SmileAR手势贴图Demo
人体关键点识别
人体关键点识别算法作为爱奇艺的SmileAR中的一部分，已经在"奇巴布"APP中的"萌宝舞室"模块中落地，该模块是爱奇艺专为0-12岁宝宝而设计。其通过让宝宝模仿专业儿童舞蹈教练的跳舞动作，从而达到锻炼宝宝的协调能力的目的。在宝宝模仿学习的过程中，我们的算法会不断对宝宝的模仿动作进行识别，并与舞蹈教练的动作进行相似度计算，从而对宝宝动作的精准度进行判断，当动作较为精准时会触发相应的动效（如各种水果等），不断激励宝宝学习和改进。该功能上线以来受到了宝妈宝爸的一致好评，表示：这个功能简直是"哄娃利器"。
图5. SmileAR舞蹈打分Demo
移动端算法优化
众所周知，深度学习的推理需要消耗大量的算力，这正是手机、平板这样的移动终端所欠缺的能力，并且SmileAR多数算法需要实时进行处理，这就对我们的移动端加速及算法优化带来了巨大挑战。同时不同业务对算法的需求也是多种多样的，我们针对不同的业务需求也做了相应的算法优化。
常规加速优化
为了提升算法的推理速度，我们采用了常规的模型加速方法，将复杂的主干网络替换为适合移动端的MobileNet V2网络；对精度要求不是那么高的业务场景，我们进一步减小网络的输入尺寸、减少MobileNet V2网络的通道数。这一系列操作对算法的执行速度有显著的提升。
量化训练加速
因为浮点型数据在移动端计算很慢，我们使用TensorFlow对算法模型进行了Quantization-aware training的训练，新版的TensorFlow对量化的支持很完善，只要在训练代码中加入两行代码即可完成量化训练，我们先通过正常的训练获得收敛的模型，再对其进行量化训练。在高通骁龙，华为麒麟和联发科Helio等主流芯片上的CPU推理速度改进如下表：
图6. 人脸检测量化前后耗时对比
人脸关键点抖动优化
预测单帧图像的关键点容易出现抖动，因此我们对多帧图像进行考虑，利用了视频的时序信息，使用高斯混合模型融合之前帧的关键点信息，获得当前帧稳定的人脸关键点。
图7. 单帧与时序模型的关键点稳定性对比
多任务训练优化
为了得到更好的效果，人脸检测和人体关键点识别均采用了多任务学习。由于人脸姿态、表情变化大，因此人脸模型加入对姿态、表情等的预测。模型结构如下图：
图8. 人脸多任务模型结构
在测试数据上，人脸关键点定位加入姿态估计任务，误差降低了8%；加入表情识别，误差降低了2%；人体关键点如果只是预测热度图会导致点位偏差较大，因此该模型也引入了多任务模型。
跳出局部最优解
人体关键点算法是多任务学习，关键点热度图仅是其中的一个任务，由于网络的裁剪，部分点会输出一张全零的热度图（陷入局部最优，全零输出代价很小），针对这个问题，我们设计一种热度图的辅助损失函数，对全零热度图增加一个惩罚，最终解决了陷入局部最优的问题。
图9. 增加热度图辅助损失函数后的损失曲线
Hard Mining
在人脸关键点定位任务中，各种数据分布不均衡，一些困难的场景，如大角度，闭眼，张大嘴等，样本数量较少。当模型训练到收敛后，通过Hard mining可以进一步减少误检数并提高模型稳定性。
图10. Hard-mining效果对比
移动端部署
跨平台部署
为了实现Android、iOS和Windows多端部署，我们采用了TensorFlow Lite的C++接口。将TensorFlow Lite编译成不同平台的静态库引入项目，然后在iOS和Android平台分别使用Objective C和Java进行上层的封装，这样就可以实现移动端native部分的代码复用，提高跨平台开发效率。而在Windows端，我们用C++做了同样的封装，并将Tflite成功应用在人脸检测等功能中。在输入为1080P的情况下，速度达到了实时。在SDK交付时，只需要针对业务方需求进行打包，业务方只需要调用相应的Java/Objective C层API，不需要关心底层实现，方便移动端产品线集成。同时因为TensorFlow Lite可以直接在Windows上直接运行，我们将它也应用到了爱奇艺的Windows客户端上。
SDK鉴权和模型保护
在模型交付部分，模型文件使用爱奇艺自研加密算法进行加密，提高移动端模型的安全性。同时为了保护爱奇艺的知识产权，我们也增加了License授权验证
包大小管理
移动端网络环境复杂，包大小会严重影响下载成功率和用户体验，我们利用了链接时优化的方法进一步缩小TensorFlow Lite库的大小。由于TensorFlow Lite默认注册了所有的算子，我们实际中只需要用到算子的一部分，因此我们可以将不需要的算子剔除。在将静态库链接入动态库或者可执行程序时，没有使用的代码不会被链接器纳入链接产物，利用这一点，我们继承了MutableOpResolver，注册模型中需要的算子。这种方案既不会影响TensorFlow Lite静态库代码，又可以动态增删算子。
总结与展望
本文以SmileAR为例，介绍了 TensorFlow Lite 在爱奇艺中的应用。TFLite作为一个为移动端定制的引擎，其跨平台的支持（Android、IOS、Windows 64位），使得我们一套模型可以多端部署，大大节约了研发成本；其卓越的执行效率，使得很多算法能在移动端实时运行，为产品落地提供了有力保障；其丰富的工具，如benchmark tool，可以快速的分析模型耗时并为模型裁剪提供有力的帮助。借助TFLite的力量，SmileAR已经顺利在多端、多APP中落地。
SmileAR作为爱奇艺AI技术落地的重要应用场景，未来将在视频时域信息增稳、模型移动端加速、模型精度优化、不同平台GPU加速等研究方向持续探索，并将在Google TensorFlow生态支持下，持续为爱奇艺各个业务线提供高效稳定的AR解决方案，助力爱奇艺的用户增长与留存，使用户可以便捷平等地享受由科技创新带来的沉浸式的极致AR体验，为用户提供快乐的娱乐体验。
