听声辨物，这是AI视觉该干的？？？｜ECCV 2022

听到“唔哩——唔哩——”的警笛声，你可以迅速判断出声音来自路过的一辆急救车。 能不能让AI根据音频信号得到发声物完整的、精细化的掩码图呢？ 来自合肥工业大学、商汤、澳国立、北航、英伟达、港大和上海人工智能实验室的研究者提出了一项新的 视听分割 任务 （Audio-Visual Segmentation, AVS) 。 视听分割，就是要分割出发声物，而后生成发声物的精细化分割图。 相应的，研究人员提出了第一个具有像素级标注的视听数据集 AVSBench 。 新任务、新的数据集，搞算法的又有新坑可以卷了。 据最新放榜结果，该论文已被ECCV 2022接受。

听觉和视觉是人类感知世界中最重要的两个传感器。生活里，声音信号和视觉信号往往是互补的。 视听表征学习 （audio-visual learning） 已经催生了很多有趣的任务，比如视听通信 （AVC） 、视听事件定位 （AVEL） 、视频解析 （AVVP） 、声源定位 （SSL） 等。 这里面既有判定音像是否描述同一事件/物体的分类任务，也有以热力图可视化大致定位发声物的任务。 但无论哪一种，离精细化的视听场景理解都差点意思。 △ AVS 任务与 SSL 任务的比较 视听分割“迎难而上”，提出要准确分割出视频帧中正在发声的物体全貌—— 即以音频为指导信号，确定分割哪个物体，并得到其完整的像素级掩码图。

要怎么研究这个新任务呢？ 鉴于当前还没有视听分割的开源数据集，研究人员提出AVSBench 数据集，借助它研究了新任务的两种设置： 1、单声源 （Single-source） 下的视听分割

数据集中的每个视频时长5秒。 单声源子集包含23类，共4932个视频，包含婴儿、猫狗、吉他、赛车、除草机等与日常生活息息相关的发声物。 △ AVSBench单源子集的数据分布 多声源子集则包含了424个视频。 结合难易情况，单声源子集在 半监督 条件下进行，多声源子集则以 全监督 条件进行。 研究人员对AVSBench里的每个视频等间隔采样5帧，然后 人工 对发声体进行像素级标注。 对于单声源子集，仅标注采样的第一张视频帧；对于多声源子集，5帧图像都被标注——这就是所谓的半监督和全监督。 △ 对单声源子集和多声源子集进行不同人工标注 这种像素级的标注，避免了将很多非发声物或背景给包含进来，从而增加了模型验证的准确性。

有了数据集，研究人员还抛砖引玉，在文中给了个简单的baseline。 吸收传统语义分割模型的成功经验，研究人员提出了一个端到端的视听分割模型。 △ 视听分割框架图 这个模型遵循编码器-解码器的网络架构，输入视频帧，最终直接输出分割掩码。 另外，还有两个网络优化目标。 一是计算预测图和真实标签的损失。 而针对多声源情况，研究人员提出了 掩码视听匹配损失函数 ，用来约束发声物和音频特征在特征空间中保持相似分布。