目标检测，我们现在运用的算法对常见的80类物体敏感，检测当前画面中的物体之后，会做一个目标筛选，我们也对此制定了规则，如当前目标的物体位置信息是否居中；物体尺寸大小，我们会认为尺寸越大吸引人眼球的可能性就越大，这也是符合导演在拍摄这个镜头的创作意图；最后一个就是物体置信度，它最可能是一个什么样的物体，比如是人、动物、桌椅，但影视上我们当然对人物的赋予的权重会更高一点。
显著性检测。在拍摄过程中，主角位置或者说最吸引人眼的部分一定会出现在聚焦点上，这也是我们视频播放的时候期望的中心点。右上图是影视画面，可以看到只有主体人物在画面的中间，我们通过显著性检测，会发现人脸部分是整个画面最吸引人眼的部分，利用这种检测，亮度越高的区域就是人眼越感兴趣的地方，也是应该在竖屏状况下被显示的部分。
说话人检测主要是为了区分如果当前画面有两个人物且权重差不多，或者在交替讲话的时候，如何做区分？用到识别的方法，主要运用声纹特征和人脸特征做一个构建，声音辅助比对当前谁在说话，以此来调整权重。
人脸检测，是为了辅助分析当前图像中如果人脸占比较小，定位Y轴信息，集中想突出的人脸部分，准确定位人脸的中心点。图中做例的两张图，人脸检测时候可以准确的检测前景人物的面部位置，同时也做了一个排序。右图可以看到左边人脸位置与正脸位置都是被检测到的，同时左边人物的权重是较高的，但我们会在后面看到真正聚焦的位置点是在谁的身上。
