C位是近年網(wǎng)絡(luò)上一個(gè)比較熱門的詞，最早來源于DOTA等游戲領(lǐng)域，是核心位置（Carry位）的簡稱，代表的是能夠在游戲前中期打錢發(fā)育并在游戲后期帶領(lǐng)隊(duì)伍力挽狂瀾的角色。現(xiàn)在C位一詞逐漸擴(kuò)大到了娛樂圈乃至我們的生活中，在社交、表演、比賽以及各種日常活動(dòng)場景中，只要當(dāng)某一個(gè)人在人群中處于中心位置，即最重要的人，大家便稱呼他是C位（Center位）。

在包含眾多人像的照片中，由于每個(gè)人的穿著和動(dòng)作各異，同時(shí)人與人之間存在各種交互信息，以及所處的場景不同，我們通過肉眼來確定C位的時(shí)候可能會(huì)出現(xiàn)各種偏差。在人工智能快速發(fā)展的今天，我們能否可以通過AI來自動(dòng)找出C位呢？答案當(dāng)然是肯定的。在這篇文章中，我們將介紹如何利用計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)構(gòu)建一個(gè)性能優(yōu)異的C位檢測器，從而快速準(zhǔn)確地在一群人中發(fā)現(xiàn)真正站C位的那個(gè)最重要的人。

C位檢測器前傳

C位檢測器的目標(biāo)是檢測出一群人中最重要的人。一般來說，C位檢測器主要由兩部分組成，第一部分是人臉/全身檢測模型，通過該模型首先檢測出照片中的所有人像；第二部分是人像重要性預(yù)測模型，通過該模型對檢測出的每個(gè)人像計(jì)算重要性得分，重要性得分最高的人即為C位。

當(dāng)前的人臉/全身檢測模型的性能已經(jīng)比較理想，而人像重要性預(yù)測模型還處在研究和探索階段，所以下面我們的內(nèi)容將主要圍繞如何量化一群人中每個(gè)人的重要性展開。

最直接的人像重要性計(jì)算可以基于照片中人像所處的位置和面積進(jìn)行設(shè)計(jì)，例如，離照片中心點(diǎn)越近則重要性越高，人像的面積越大則重要性越高等等。然而我們判斷一個(gè)人是不是C位，除了利用照片中人像所處的位置和面積這類人像自身的幾何信息外，還會(huì)根據(jù)照片上的各種信息綜合判斷：人像自身的外表信息（上圖(a)）、與其他人之間的關(guān)系信息(上圖(b))以及所處的全局場景信息（上圖(c)）。

人與人之間的關(guān)系和人與場景之間的關(guān)系對C位的判斷起到關(guān)鍵性作用。如果我們只利用人像的自身特征進(jìn)行重要性計(jì)算，例如上圖(a)中的紅框女性，我們其實(shí)無法知道她是否是照片中最重要的人。但我們通過她與周圍人之間和與整體場景之間的關(guān)系信息分析便可以得出她是C位的結(jié)論。

一個(gè)理想的人像重要性預(yù)測模型應(yīng)根據(jù)上面提到的各方面信息進(jìn)行聯(lián)合計(jì)算。如何提取照片上豐富的多元化信息？如何對人與人之間和人與場景之間的關(guān)系建模，從而獲取高層次的語義信息？如何最終根據(jù)照片上人像的多元化信息和高層次語義信息的特征進(jìn)行重要性評估？這些都是擺在我們面前的問題，需要我們?nèi)ヒ灰唤鉀Q。

一個(gè)出色的C位檢測器

為了解決上節(jié)末提出的三個(gè)問題，我們實(shí)驗(yàn)室的小伙伴們攻堅(jiān)克難，提出了一種全新而高效的人像重要性預(yù)測模型，構(gòu)建了一個(gè)出色的C位檢測器，相關(guān)工作發(fā)表在CVPR 2019。下面我們對其中的模型框架和建模思路進(jìn)行一一介紹，希望給大家?guī)砀嗟膯l(fā)和思考。

整個(gè)人像重要性預(yù)測模型分為三個(gè)模塊，分別是特征表達(dá)模塊、關(guān)系計(jì)算模塊和重要性分類模塊。特征表達(dá)模塊能夠有效地提取照片中每個(gè)人的自身特征和整張照片的全局場景特征。關(guān)系計(jì)算模塊能夠?qū)θ伺c人之間和人與場景之間的關(guān)系進(jìn)行建模。重要性分類模塊能夠計(jì)算每個(gè)人像的重要性得分，從而最終識(shí)別出最重要的C位人選。完整的模型框架如下圖所示。

特征表達(dá)模塊針對上節(jié)末“如何提取照片上豐富的多元化信息？”這一問題進(jìn)行設(shè)計(jì)。為了充分地獲取人像自身豐富的特征表達(dá)，人像的外表信息和幾何信息都會(huì)進(jìn)行特征提取。深度卷積神經(jīng)網(wǎng)絡(luò)被用來實(shí)現(xiàn)提取流程，如下圖所示。其中，外表信息被分為內(nèi)在（綠框）和外在（藍(lán)框）兩部分，內(nèi)在區(qū)域更多提取人像固有的外表信息，外在區(qū)域更多用于提取人像外表以及與周圍環(huán)境的上下文信息，從而保證了人像信息的多元化。此外整張照片的全局場景信息（黃框）也會(huì)通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特征提取。

關(guān)系計(jì)算模塊針對上節(jié)末“如何對人與人之間和人與場景之間的關(guān)系建模，從而獲取高層次的語義信息？”這一問題進(jìn)行設(shè)計(jì)，是整個(gè)模型中最關(guān)鍵的模塊。在該模塊中，關(guān)系網(wǎng)絡(luò)（Relation Networks）被用來對在特征表達(dá)模塊中提取的人像特征和場景特征進(jìn)行關(guān)系建模。關(guān)系網(wǎng)絡(luò)能夠在沒有額外監(jiān)督信息的前提下，自動(dòng)學(xué)習(xí)人與人之間和人與場景之間的關(guān)系，從而提取更高層次的語義信息以表征人在場景中的重要性。具體會(huì)分別建立人與人之間的關(guān)系圖和人與場景之間的關(guān)系圖，通過多個(gè)并行的關(guān)系網(wǎng)絡(luò)提取關(guān)系特征并連接，再與原有的人像特征相加，得到最終的特征表達(dá)。

重要性分類模塊針對上節(jié)末“如何最終根據(jù)照片上人像的多元化信息以及高層次語義信息的特征進(jìn)行重要性評估？”這一問題進(jìn)行設(shè)計(jì)。通過對在關(guān)系計(jì)算模型中提取的每個(gè)人像的最終特征表達(dá)進(jìn)行重要/不重要的二分類，將每個(gè)人像被分為重要這個(gè)類別的概率作為重要性得分，得分最高的人像就是模型認(rèn)定的C位。

以上三個(gè)模塊一起實(shí)現(xiàn)了端到端的人像重要性訓(xùn)練和預(yù)測。最后我們來看一看利用上述模型進(jìn)行C位檢測的可視化結(jié)果。紅框代表的是模型檢測出來的C位，綠框代表的是當(dāng)前其他最好方法的檢測結(jié)果，可以看出在充分考慮了照片中人與人之間和人與場景之間的關(guān)系信息后，在各種復(fù)雜場景下，AI均能夠準(zhǔn)確地檢測出真正的C位。

C位檢測可以自動(dòng)快速地在人群中找出最重要的那個(gè)人。通過這篇文章，我們介紹了利用AI進(jìn)行C位檢測的一般流程和遇到的挑戰(zhàn)，也進(jìn)一步分享了一種優(yōu)秀的C位檢測器的構(gòu)建思路與過程。其中的更多細(xì)節(jié)大家可以在arXiv上搜索《Learning to Learn Relation for Important People Detection in Still Images》進(jìn)行查看。最后祝大家都能在各自的領(lǐng)域內(nèi)不斷進(jìn)步，實(shí)現(xiàn)自我價(jià)值，站上屬于自己的C位。