meta|Meta：训练AR眼镜的智能助手，需要用第一人称视频

文章图片

文章图片

文章图片

文章图片

文章图片

在大多数人印象中， AR眼镜的主要特征是提供虚实融合的视觉辅助效果。实际上，与同样基于虚拟技术的VR相比， AR不仅仅能够看到真实环境，它的应用场景和VR也不同，因为它可以通过一系列智慧的功能来辅助日常生活、工作和学习。

此前Meta就曾提出， AR眼镜将采用支持场景感知的AI算法，推算使用者在场景中需要获取的信息，以及需要执行的下一步动作，接着使用者可以用EMG腕带来进行确认。的确，穿戴式AR眼镜与智能AI助手结合是必然的结果，市面上大多数非AR的智能眼镜已经配备语音助手，相比之下AR眼镜需要的不只是语音助手，它应该可以通过摄像头来提供智能的视觉辅助，就像是科幻电影描述的那样。

近年来，计算机视觉技术已经得到长足发展，相关算法可以识别不同类型的物体，或是用于手势识别、人脸识别等场景。不过，目前计算机视觉算法面临的最大难题是，它主要是基于第三人称视角的照片和视频训练的，因此AI相当于以旁观者的角度去识别周围环境和活动，如果将它应用于家用机器人或AR眼镜，则需要识别第一人称图像，这对基于第三人称数据训练的AI并不友好。

为了解决上述问题， Meta近期开源了市面上最大的第一人称视频数据集Ego4D ，视频时长累计3205小时，号称是其他同类数据集规模的20多倍。据悉，该数据集是Meta与全球13所大学合作的成果，共耗时2年时间完成。另外， Ego4D数据基于室内和室外场景，来源也分布在世界多个国家，比如：自沙特阿拉伯、东京、洛杉矶和哥伦比亚等等。
为何收集第一人称视频
收集了这么多第一人称视角的视频，它和第三人称视频有什么区别呢？简单来讲，就像是在过山车上看景色，和从地面看过山车之间的区别。

人的大脑可以轻易将第一人称和第三人称视角联系起来，而现有的AI技术不支持这样灵活的分析能力，因此如果让计算机视觉算法理解过山车上的景色，它可能并不能看懂，因为训练算法的数据一般是地面上拍摄的第三人称视频。
【meta|Meta：训练AR眼镜的智能助手，需要用第一人称视频】

AI科研人员Kristen Grauman表示：为了让AI像人一样与周围的环境交互，它需要具备第一人称感知能力，像人眼一样感知实时运动、交互和多感官视觉。
而和许多视频数据不同， Ego4D视频通过头戴摄像头来拍摄，因此可以模拟第一人称视角，而且它们是一系列动态的活动，而不只是一张一张图片。因此， Ego4D的出现有望为第一人称计算机视觉打开新的场景，用于穿戴式摄像头、家用机器人助手等设备，这些设备将通过第一人称摄像头来理解周围的环境。