云端和终端之间交互其中有个重要的内容——AI焦点文件，它描述了当前视频每一帧画面的焦点位置，还包含了如字幕等其他信息。在云端有几个主要的工作点，如场景的分割、目标检测、显著性检测、人脸检测等，它们主要是做内容分析，分析当前画面的焦点位置。字幕检测和字幕识别主要为完善画面剪裁之后能够展示完整字幕，然后每个画面焦点位置计算完成之后会做一个剪裁优化，最后一个稳像平滑，以此规避相邻画面之间中心点微小的变化带来的画面抖动。
在终端主要是根据当前陀螺仪的姿态信息、当前画面的焦点区域信息、屏幕大小计算应该呈现画面中的哪块区域。随后就是图像的渲染，为支持用户可以手动改变聚焦位置，我们也做了一个缩略图渲染，以支持用户的手动调节。还有一个扩展功能就是字幕的擦除与渲染，由于字幕在局部区渲染的时候会被截断，需要把完整的字幕在竖屏状态下再渲染出来。
在云端我主要针对五个点做介绍，分别是：场景分割、内容分析、聚焦中心构建、字幕检测和识别、竞品对比。
场景分割的目的为了在减少计算耗时的同时提高准确性。因为在视频画面中场景是多个镜头构建在一起的，多数情况下，单一的镜头里图像的变化比较小，比如主人公说话只有唇部或者手部较小的变化。因此在单一镜头下，我们可以利用抽帧分析，不用计算每一帧，比如间隔若干帧来分析画面内容，这样可以显著减少计算耗时。如图是截取的一段两分钟视频，分成若干镜头，会发现每一个处理的时间也就几秒钟甚至更少，但是可以发现同一镜头中的画面变化是非常小的。
在内容分析这块主要利用的是几个点。运用的当前的深度学习，AI的一些算法去做的一些检测或者识别，最重要的就是目标检测、显著性检测、说话人检测、最后是人脸检测，每个步骤都配有一个权重来协助分析最终的画面点。下面我再对四个点进行展开的介绍。
