导言
AI 技术正与千行百业深度融合，带动产业智能化升级。从本期开始，百度智能云增设“智能视频小讲堂”系列专栏，通过将百度智能云在智能视频领域深耕多年的技术和用户实践，深入浅出地阐释，展现智能视频领域某个技术点如何提升产业效率，帮助客户实现降本增效。
此系列文章从智能化生产、智能化审核、智能化分发、智能化应用等媒体全链条角度展示视频领域的技术应用，本期介绍时序动作检测技术在媒体内容审核与分析方面的作用。
竞技体育的赛场总是瞬息万变，激动人心。梅西的每一次精准射门，詹姆斯的每一次帅气的灌篮和三分球......这些高能的、让你过目难忘的精彩瞬间，常常被不断重复播放。短短十几秒的场景，是如何从庞大的直播视频中被快速筛选出来的？
从技术层面来说，时序动作检测技术属于媒体内容理解的一大类。一般而言，媒体内容分析是利用视觉、语音、知识图谱等 AI 技术，对视频和图片进行结构化分析，输出内容的泛标签，帮助平台实现个性化内容推荐，提升用户检索体验。▪ 抓取视频中的图像，如人脸、特定标志等，通过图形图像的分析达到视频人物识别。优点是速度快，识别技术成熟。不足是不能动态识别；
▪ 截取一段时间的视频（比如10秒或者15秒），给视频打标签的方式提取媒体内容。不足是速度慢，考验的是标签的精准度。
此外，业内还有通过视频语音识别、视频 OCR 等方式为视频分类。虽然这些都是比较常用的视频分析维度，但它们只是借助文本信息侧面描绘视频内容。同时，随着视频平台内舞蹈、动作等动态化的流行元素出现，语音识别和 OCR 识别已经不能满足视频分析的新需求。而时序动作检测技术则更进一步，在一段未分割的视频中找到感兴趣动作的起止时间，以及该动作的具体类别。例如，该技术能够动态检测出某些特定的动作行为，如影视电影中的打斗、体育赛事的扣篮射门等动作、直播的一些不雅动作等，帮助媒体平台更好的分类、管理和输出视频，也能帮助直播平台提高监管效率，适用于大型媒体平台或者直播平台等场景。要开发适用不同场景的时序动作检测技术存在不少难点。业内也没有较为成熟并且已经被大型商用验证过的开源项目。因为动作检测的难点在于，由于视频的拍摄角度、光线、动作幅度等干扰因素较多，起止时间不清楚，时间跨度大，很难使用一般的开源模型调优后得出结果，核心技术必须要自研。百度智能云的技术团队将时序动作检测技术任务分解成四部分。第一部分，定位视频。提取视频的基础特征，使用的是图像特征 PPTSM 和音频特征的模型。这部分技术业内较为成熟，也多为开源项目。第二部分，Proposal 候选框提取。基于视频的基础特征，为视频动作定位问题中 Proposal 的生成提供高效的解决方案，底层是 BMN。这部分技术是百度智能云自研，也是2019年 ActivityNet 的夺冠方案。第三部分，动作识别。结合图特征+音频特征，使用 bi-LSTM+Attention 的 sequence 模型结构对视频序列进行分类，这部分关键点是模型训练和输入数据质量。有了这样的思路之后，时序动作检测技术的难点就被“攻克”了，为日后不断优化提供了基础。如果单纯从计算能力看，相比传统的视频动作检测速度，百度智能云的时序动作检测技术能达到1:30的速度比。如果按照成型的解决方案对比，也能达到1:20的速度比。以足球射门这个动作来说，某大型媒体平台和百度智能云合作，提供了1000个小时有版权的、各大赛事的射门视频。百度智能云通过专项的视频标注团队，花了数个月不断调优，极大提高了检测的精准度。经过多方测试和实践结果，百度智能云的时序动作检测技术已经达到商用的级别，目前应用在一些大型媒体平台和 YY 直播等媒体平台，百度智能云也能提供基于公有云和私有云的快速部署。该技术适用于视频内容分析和视频直播审核等视频场景。视频内容分析：帮助媒体平台快速准确的找到某些特定动作的片段，如影视片的打斗动作、体育赛事的射门、扣篮等动作，时序动作检测有助于这些平台快速输出和剪辑视频，帮助媒体平台提高工作效率，节约时间。视频直播审核：帮助直播平台提高视频审核的质量和速度。只要出现违规动作（如抖胸、抖胯等），平台立马巡视该房间或者屏蔽该视频。常用于秀场直播或者 PK 直播等具体的场景。而过去，通常是平台工作人员巡查或者接到举报后才能采取行动。为了推动整个行业的发展，目前体育动作检测技术在百度飞桨中开源，已经有不同行业的需求者针对该项目试用和开发，逐步应用到业务领域。未来，百度智能云时序动作检测技术还将持续推动，朝着识别速度更快、覆盖范围更广、精准度更高的方向发展。百度智能云希望借助深入浅出的文章形式，以飨读者，能够为视频行业发展带来新的思考和参考。助力视频行业智能化，你有什么想法，来评论区说说吧，下一期我们将带来知识图谱对视频智能化的影响。