ApproxDet：面向移动设备的感知内容与竞争的自适应近似目标检测
计算机视觉与模式识别
2020-10-22 v1
摘要
先进的视频分析系统，包括场景分类和目标检测，已在智能城市和自动驾驶等各个领域取得广泛成功。随着功能强大的客户端设备不断增多，有动力将这些繁重的视频分析工作负载从云端迁移到移动设备，以实现低延迟和实时处理并保护用户隐私。然而，大多数视频分析系统较为笨重，且以某些预定义的延迟或精度需求离线训练。这使得它们无法在运行时面对三类动态变化时自适应：输入视频特性变化、节点上由于共置应用导致的可用计算资源量变化、以及用户延迟-精度需求变化。本文中我们提出 ApproxDet，一种面向移动设备的自适应视频目标检测框架，以在内容与资源竞争场景变化下满足精度-延迟需求。为此，我们引入一个多分支目标检测核（构建于 Faster R-CNN 之上），其结合了关于性能度量的数据驱动建模方法，以及一个延迟 SLA 驱动的调度器以在运行时选择最佳执行分支。我们将该核与可近似的视频目标跟踪算法结合，构建端到端视频目标检测系统。我们在一个大型基准视频数据集上评估 ApproxDet，并与 AdaScale 和 YOLOv3 定量比较。我们发现 ApproxDet 能适应广泛的竞争与内容特性，并优于所有基线，例如，相比 YOLOv3 它实现了低 52% 的延迟和高 11.1% 的精度。
引用
@article{arxiv.2010.10754,
title = {ApproxDet: Content and Contention-Aware Approximate Object Detection for Mobiles},
author = {Ran Xu and Chen-lin Zhang and Pengcheng Wang and Jayoung Lee and Subrata Mitra and Somali Chaterji and Yin Li and Saurabh Bagchi},
journal= {arXiv preprint arXiv:2010.10754},
year = {2020}
}
备注
Accepted to appear at the 18th ACM Conference on Embedded Networked Sensor Systems (SenSys), 2020