臉書開源釋出自家AR技術的核心辨識技術，能快速辨識影片中的物件

臉書去年F8大會大秀AR/VR應用，尤其展示了多種在生活場景疊加圖片的AR技術，近日臉書AI研究院開源釋出了臉書AR技術的關鍵電腦視覺技術框架，物件辨識框架Detectron，可以快速在影片或圖片中辨識出物體，物件的形狀或邊緣，方便疊加影像。

該物件辨識框架是由Python撰寫而成，並用深度學習框架Caffe2 執行，其中導入了多個熱門的物件辨識演算法，像是Mask R-CNN、RetinaNet、Faster R-CNN、RPN、Fast R-CNN、R-FCN，還包含了過去臉書AI研究院多項研究計畫，Detectron能夠根據電腦視覺的任務，自動產生適合的模型。臉書AI研究院（FAIR）表示，Detectron的目標即是要提供物件辨識研究一個兼具品質和效能的程式，Detectron能夠彈性地支援快速導入和測試新研究，目前Detectron以Apache 2.0的開源框架於GitHub上釋出。

臉書AI研究院專精於電腦視覺和機器學習的研究科學家Ross Girshick，在臉書貼文中宣布這項消息，他表示，Detectron的計畫從2016年7月開始，當時的目標就是要在深度學習框架Caffe2上，創造一個快速且具有彈性的物件辨識系統，後來進入預覽的開發階段，經過1年半後，Detectron已經成熟並可以支援FAIR多數的專案，包括Mask R-CNN 、Focal Loss for Dense Object Detection，透過Detectron，這些演算法可以給予電腦視覺相關的重要任務直觀的模型，像是實例分割（Instance segmentation)）的方法，實例分割是要將每個物件貼上標示（Label），並切割出標示的物件輪廓，除此之外，Detectron對於一些視覺感知系統也會有很大的幫助。

在臉書AI研究院內部，Detectron已經用在多個專案中，像是Feature Pyramid Networks for Object Detection、Mask R-CNN、Detecting and Recognizing Human-Object Interactions、Focal Loss for Dense Object Detection、Non-local Neural Networks, Learning to Segment Every Thing和Data Distillation: Towards Omni-Supervised Learning。

而臉書AI研究院將Detectron開源的目的是，能夠讓FAIR的研究與大家分享，來加速全世界的研究成果，開源釋出Detectron，可以使研究社群重新創造FAIR的研究成果，也能與FAIR內部使用一樣的平臺，除了研究之外，臉書團隊也有利用Detectron，為不同的重要應用，訓練出客製化的模型，模型訓練完成後，即可透過輕量級且模組化的Caffe2部署於雲端、行動裝置，臉書期望Detectron能夠協助發展出下一代的物件辨識技術。

此外，Ross Girshick表示，臉書AI研究院也在模型動物園（Model Zoo）中，釋出超過70個已用Detectron訓練過的模型，提供開發者下載，來創造出自己的物件辨識系統。