互聯(lián)網(wǎng)內(nèi)容越來越朝著視頻化方向發(fā)展，短視頻處于爆發(fā)期，一些不法分子試圖利用視頻風(fēng)口牟利。3月底，深圳警方打掉了一起以短視頻APP為載體，大肆從事淫穢傳播、***以及網(wǎng)絡(luò)詐騙等犯罪活動(dòng)。

最近，阿里安全圖靈實(shí)驗(yàn)室發(fā)布了一項(xiàng)關(guān)于社會(huì)文化的研究，這是一種新型視頻描述方法（SGR），可用于視頻內(nèi)容安全和視頻檢索等場(chǎng)景，助力建設(shè)互聯(lián)網(wǎng)清朗環(huán)境。該研究成果已經(jīng)被人工智能國(guó)際頂會(huì)CVPR2021（oral）收錄。

讓***做“閱讀理解”

現(xiàn)有的密集型視頻描述生成方法采用自底向上的方式，即先生成大量的事件候選片段，再為每個(gè)片段獨(dú)立的生成描述，從而組合得到密集型視頻描述。然而，視頻中事件具有很強(qiáng)的多樣性，既可以簡(jiǎn)單到是一個(gè)動(dòng)作，也可以復(fù)雜到是若干事件的組合，這導(dǎo)致事件候選片段的生成目標(biāo)不明確，對(duì)應(yīng)的密集型描述不夠連貫和準(zhǔn)確，且充斥著大量冗余。

對(duì)此，研究者提出了自頂向下的密集型視頻描述方法，即SGR。SGR可以實(shí)現(xiàn)兩類基本功能，一是讓***對(duì)視頻內(nèi)容做“閱讀理解”，生成一段長(zhǎng)文本描述視頻中心內(nèi)容，二是可以根據(jù)描述性的文本精準(zhǔn)匹配視頻中的相關(guān)片段。此前，必須人工定義關(guān)鍵詞詞庫后才能“指揮”***命中檢索，這項(xiàng)***技術(shù)的目標(biāo)是僅通過輸入自然語言就能實(shí)現(xiàn)檢索，對(duì)***“說句話”，就能找到相應(yīng)片段。

“視頻中如果有人拿起鼠標(biāo)，點(diǎn)擊電腦，然后脫掉衣服，呈現(xiàn)黃賭毒等相關(guān)違規(guī)信息，以前的技術(shù)路徑上，***可能還要分析脫掉衣服之前的動(dòng)作，其實(shí)拿鼠標(biāo)和點(diǎn)擊電腦與后面的違規(guī)內(nèi)容沒什么關(guān)聯(lián)，無需提取這些信息。”該研究第一作者、阿里安全圖靈實(shí)驗(yàn)室實(shí)習(xí)算法工程師青崧介紹道。SGR解決了這個(gè)問題。

給定一個(gè)視頻，***可對(duì)視頻的關(guān)鍵候選片段無縫銜接成一個(gè)完整的故事，保證了密集型描述的連貫性，且減少了冗余。為了進(jìn)一步增加視頻片段的描述細(xì)節(jié)，研發(fā)人員設(shè)計(jì)了描述提升模塊，以初步得到的密集型視頻描述和視頻片段為基準(zhǔn)，提出專用于描述質(zhì)量提升的強(qiáng)化學(xué)習(xí)策略，來生成細(xì)節(jié)更豐富的密集型視頻描述。

方法結(jié)構(gòu)如下圖所示：

輸入一段視頻，本方法首先使用一個(gè)視頻編碼器（）來為所有視頻幀提取表征。接著，段落解碼器（）根據(jù)視頻幀的表征生成一段由多句描述組成的段落。

然后，由描述定位器（）對(duì)段落中的每句描述在視頻中的發(fā)生時(shí)刻進(jìn)行定位。最后，描述提升模塊，即描述解碼器（）接受由輸出的視頻片段描述和由定位出的視頻片段表征，并輸出細(xì)節(jié)更豐富的視頻片段描述。

該項(xiàng)研究的共同作者、阿里安全圖靈實(shí)驗(yàn)室高級(jí)算法工程師雍秦介紹，雖然目前這個(gè)技術(shù)還無法做到“1分鐘講清楚一部電影”，但可做到“兩句話講清楚一個(gè)10分鐘以內(nèi)的短視頻”，這意味著通過該技術(shù)未來可迅速判斷整個(gè)視頻的關(guān)鍵信息是否包含黃賭毒等違規(guī)內(nèi)容。

更快更準(zhǔn)識(shí)別違規(guī)風(fēng)險(xiǎn)內(nèi)容

通過這兩個(gè)功能，***能快速識(shí)別、準(zhǔn)確定位違規(guī)片段，無需人類鑒黃師反復(fù)回看確認(rèn)。雍秦透露，在SGR技術(shù)研究基礎(chǔ)上，阿里安全近期還將研發(fā)低門檻、高可用的“鑒黃”***工具，讓***對(duì)視頻不同片段打出“危險(xiǎn)指數(shù)”，依賴信息提取直接關(guān)聯(lián)高亮風(fēng)險(xiǎn)片段，讓***鑒黃更智能、高效。

未來，在實(shí)際應(yīng)用場(chǎng)景中，通過***來進(jìn)行不良內(nèi)容識(shí)別的研判準(zhǔn)確性和效率將大幅提高，比如判斷視頻內(nèi)容中是否有“一個(gè)穿著暴露蘿莉裝的女孩鴨子坐著在錄吃播”，以往要形成“暴露蘿莉裝”“鴨子坐”“吃播”三個(gè)標(biāo)簽，每次依據(jù)一個(gè)標(biāo)簽進(jìn)行一輪審核，判斷視頻內(nèi)容是否涉嫌低俗，三輪審核交叉驗(yàn)證。

創(chuàng)新工具應(yīng)用后，***只用輸入“一個(gè)穿著暴露蘿莉裝的女孩鴨子坐著在錄吃播”這句話進(jìn)行一輪研判，準(zhǔn)確性也更高。

圖說：阿里安全近期將研發(fā)低門檻、高可用的“鑒黃”***工具，該圖為示意模型。阿里安全圖靈實(shí)驗(yàn)室資深算法專家華棠指出，阿里安全一直希望從源頭守護(hù)安全，這是阿里安全方法論“新一代安全架構(gòu)”的核心理念?！盎ヂ?lián)網(wǎng)上每天產(chǎn)生海量視頻，單靠人力無法維護(hù)互聯(lián)網(wǎng)清朗環(huán)境，違規(guī)視頻危及大眾心理健康和財(cái)產(chǎn)安全，創(chuàng)新算法可以有更多用武之地，構(gòu)建美好安全的網(wǎng)絡(luò)生活。
編輯：lyn