下载客户端

让AI读懂视频广告有多难？这道算法题4000多人挑战，冠军赢走了10万美元现金

2021-08-18 07:29

来源：澎湃新闻·澎湃号·湃客

原创 Synced 机器之心

机器之心原创

作者：张倩

在今年的腾讯广告算法大赛中，腾讯广告给全球算法圈出了一道难题，冠军最高奖励 10 万美元，赛题还入选了顶会挑战赛。什么赛题有如此含金量？谁拿走了冠军大奖？昨天，决赛结果已经出炉……

进入全民视频时代以来，广告行业的需求也在发生日新月异的变化。

国内移动互联网大数据公司 QuestMobile 最近发布的《2020 年中国互联网广告市场洞察》报告显示，从广告形式上看，视频类信息流增速更快，趋向成为主流广告形式。

图源：https://mp.weixin.qq.com/s/ikrOOmOiKkxl6ZI1b9UHRQ

与此同时，用户对广告的创意要求也越来越高：大批视频广告在播放的前 3 秒就会被 60% 的观众划走，一个新广告面世不到一周就没有人再去看了。

为了迎合这种消费习惯的变化和创意需求的升级，视频广告创作者需要在短时间内创作出大量有吸引力的广告。这意味广告行业的生产模式需要经历一场变革。

和其他很多行业一样，这种变革可以通过解放人力来完成。

具体到视频广告，AI 算法可以做什么呢？

一方面，AI 可以承担一些重复性工作，比如批量生产各类素材。另一方面，一些非重复性的创意工作也可以尝试交给 AI，比如让它自行理解广告内容亮点，并以此为依据生成一个新广告。

但要把这些都做好，首先要让 AI 把视频广告吃透，也就是我们常说的视频深度理解。

而这件事情，腾讯广告其实早就在做了，而且深知其中的价值与挑战。腾讯广告多媒体 AI 中心总监刘威坦言，视频深度理解难到令人绝望，「假如说图像识别已经开发到中年的水平，我觉得视频还是婴儿水平。视频的 knowledge domain 太大了，你在某个地方加一个小东西，特征空间里看到的就已经差了很多，所以算法非常脆弱」。类似的前沿算法研究，腾讯广告内部还有很多。

在向这些前沿算法发起挑战的同时，腾讯广告还会通过各种形式将产、学、研各界聚集到一起，共同推进行业技术的演进，始于 2017 年的「腾讯广告算法大赛」就是其中之一。

这一比赛一直聚焦业务最关心的问题，今年的赛题更是直面令人头疼的视频广告深度理解，而且是高难度的「多模态视频广告秒级解析」。

由于赛题颇具挑战，出题方将其分成了两个赛道：「视频广告秒级语义解析」（赛道一）和「多模态视频广告标签」（赛道二）。

这两个赛道难在哪儿呢？

先来说说没那么难的赛道二。这个赛道以视频、音频、文本三个模态作为输入，要求选手针对测试视频样本预测出视频在呈现形式、场景、风格等三个维度上的标签。

刚才说过，视频理解本身就是一个难题，而本次比赛不仅要求理解视频，还要和音频、文本等模态的信息综合到一起来理解，实现多模态融合。这一考法令选手叫苦不迭。

然而，赛道一难度还要更高。这一赛题同样以视频、音频、文本三个模态作为输入，但要求选手将测试视频进行「幕」的分段，并且预测出每一段在呈现形式、场景、风格等三个维度上的标签。「幕」即场景，可能包含多个镜头，因此也叫「语义超镜头」。这些镜头在语义上相关，描绘并传达一个高级概念。比如下图中第一个场景（幕）就包含四个镜头，共同阐述「打电话」这一高级概念。如何将这些镜头归入一个场景、概括出其高级语义信息显然是一个非常综合的问题。

此外，「多模态视频广告秒级解析」这个主题是腾讯广告从真实的业务需求中提炼出来的，在算法领域尚未被提出，也很少有人进行过深入研究，相应的数据、代码、可参考文献都比较少，这也增加了比赛的难度。怪不得有不少选手反馈说，「跑 baseline 都费劲」。

与赛题难度相匹配的是高额奖金池：本届大赛冠军可以拿到 10 万美元的现金奖，总奖金池高达百万级。

为什么这个赛题如此重要？腾讯公司副总裁蒋杰在决赛致辞中提到，「随着5G 技术的逐渐普及，以视频为载体的内容越来越受用户欢迎，如何深度理解视频广告内容，挖掘其潜在价值，无疑成了当下广告行业发展的重点。而细粒度理解视频时序内容，对于广告业务具有积极意义，可以真正帮助广告主降本提效，让广告更有温度。」

今年的比赛吸引了上千家高校和企事业单位的4300余名选手报名。在昨天举行的决赛中，赛道一的冠军由「GZ」战队摘得，他们将视频广告秒级语义解析这个任务分成了 Temporal Segmentation 和 Proposal Tagging 两个子任务来完成，具体方案如下：

赛道一冠军解决方案概览。

赛道二的冠军则由「挥霍的人生」战队摘得，他们使用了基于 stacking 的方案，预测时可以并行提取每个独立部分的特征，模型迭代速度快。

除了现金奖励，通过此次大赛，选手还有机会现场参与 2021 ACM MM Grand Challenge Session（以下简称 ACM 多媒体挑战赛），同更多算法专家做进一步的现场交流。

参加腾讯广告算法大赛还有机会拿到顶会挑战赛门票？没错，因为本届赛事与 ACM Multimedia 实现了强强联合，两道赛题都入选了 ACM 多媒体挑战赛。

ACM Multimedia 是多媒体领域最重要的国际会议，也是中国计算机学会（CCF）认证以及多媒体研究领域评级中唯一的 A 类国际顶级会议。为了促进工业界和学术界的交流，大会设置了 ACM 多媒体挑战赛环节。可以说，这是多媒体领域工业界和学术界交流活动中最有影响力的一个。

那么，这个挑战赛关注什么样的议题呢？ACM 多媒体挑战赛主席李锡荣给出的答案是：工业界未来 5 年到 10 年关心的问题。

眼光放得长远，难度自然不会低，所以大赛也没指望选手通过一场比赛就把问题解决掉。

「（比赛）解决方案不见得在一两年内就能商业化或者产品化，它实际上是对于未来技术的一种探索。」李锡荣补充说。

换句话说，ACM 多媒体挑战赛探讨的问题必须要有前瞻性和实用性，这与腾讯广告算法大赛的两道赛题不谋而合。

同时，赛题入选顶会挑战赛也意味着，今年腾讯广告算法大赛的国际影响力进一步扩大，比赛中诞生的解决方案、代码、数据集等资源将为国际算法圈提供重要参考。

当然，这些资源也将为视频广告创意业务的发展带来新的助力。腾讯广告内部与之相关的就有多尺寸智能裁剪、模板视频自动剪辑、视频创意智能混剪等多项视频广告业务。

多尺寸智能裁剪是指利用一种规格的视频生成多种规格的视频，比如输入 16:9，输出 9:16、4:3、1:1 等多种格式。这里面涉及智能关键帧截取、焦点跟随、视频去填充、图像分割、背景融合等多项视频理解任务。

举个例子，在把一个竖版视频切换成横版的时候，AI 要截取画面的一部分来保持满屏铺开，这就需要 AI 识别出画面的焦点是什么（如下图中的一家三口），然后进行焦点跟随。这一功能有多实用？要知道，各个投放平台对视频广告的规格要求是不一样的，一个广告视频可能需要 20 多种规格。在没有 AI 介入的情况下，这无疑是一项低效的重复性工作。

模板视频自动剪辑是指复用之前积累的优秀素材快速剪出新的创意。此时，广告主可能只需要提供若干张商品图，而视频的「黄金前 3 秒」、转场、行动指引等片段都可以从素材库调取。AI 算法可以为这个素材库提供更加精准的标签（比如一个优秀的前 3 秒素材讲了什么内容），从而在再创作时更加精准地匹配新广告需求。到目前为止，腾讯广告已经积累了 10000 多套这样的模板，复用模板每天生产的视频量在 10 万以上。

视频创意智能混剪是指根据输入的一段视频剪出不同时长的版本，同时还要保留视频广告的吸引力、信任力、说服力和行动力。

举个例子，现在有一段 30 秒的产品介绍广告，需要让 AI 把它剪成 15 秒的。首先，AI 要把视频切成若干场景，然后从这些场景中找到那些可以吸引用户观看、增加用户信任、向用户展示产品优惠信息以及驱使用户下单的片段并保留下来。这一过程就是给各个场景进行秒级切分并打上各种标签的过程，也是赛道一考察的主要内容。

这些业务的顺利开展都离不开腾讯广告多年以来积累的多模态 AI 能力，包括文本、图像、语音、视频等多个领域。同时，这些能力的组合也为腾讯广告打造智能审核、智能创作、内容理解等广告业务平台奠定了基础。这些平台覆盖创意制作（投前）、广告推荐（投中）、创意复盘（投后）整个链路，支持文本、图片、视频、落地页等各种广告类型，已经在在游戏、电商、金融、教育、网服等多个行业的广告创作中得到应用。