面向多摄像头网络分布式目标跟踪的可扩展平台
分布式、并行与集群计算
2020-03-17 v2
摘要
深度神经网络(DNN)与计算机视觉(CV)算法的进步使得从大规模城市摄像头部署中提取有意义的洞察成为可能。在近实时条件下跨摄像头网络跟踪感兴趣目标是一个典型问题。然而,当前的跟踪平台存在两个关键局限:1)它们是单体式、专有的,缺乏快速集成复杂跟踪模型的能力;2)它们对包含边缘、雾和云抽象的大范围计算资源的动态变化响应较差。我们利用 Anveshak(一个用于组合与协调分布式跟踪应用的运行时平台)来解决这些差距。它提供领域特定的数据流编程模型,以直观地组合跟踪应用,支持查询融合与重识别等当代 CV 进展,并实现摄像头网络搜索空间的动态限定以避免计算浪费。我们还为部署在分布式资源上的数据流块提供可调批处理与数据丢弃策略,以响应网络与计算的可变性。这些策略在跟踪精度、其实时性能与活跃摄像头集合大小之间取得平衡。我们展示了该编程模型对 个跟踪应用的简洁表达力。我们在中等资源上对 1000 路摄像头馈送网络的详细实验,展示了由我们的动态跟踪、批处理与丢弃策略所实现的可调可扩展性、性能与质量权衡。
引用
@article{arxiv.1902.05577,
title = {A Scalable Platform for Distributed Object Tracking across a Many-camera Network},
author = {Aakash Khochare and Aravindhan K and Yogesh Simmhan},
journal= {arXiv preprint arXiv:1902.05577},
year = {2020}
}