DeepScale：面向智能相机与边缘服务器上多目标跟踪的在线帧尺寸自适应
计算机视觉与模式识别
2021-11-08 v3
摘要
在监控和搜救应用中，在低端设备上实时执行多目标跟踪（MOT）十分重要。当今的MOT解决方案采用深度神经网络，其往往具有较高的计算复杂度。认识到帧尺寸对跟踪性能的影响，我们提出DeepScale，一种模型无关的帧尺寸选择方法，它运行在现有基于全卷积网络的跟踪器之上以加速跟踪吞吐。在训练阶段，我们将可检测性分数纳入一次性跟踪器架构，使DeepScale能够以自监督方式学习不同帧尺寸的表示估计。在推理期间，它可根据用户控制参数基于视觉内容的复杂度自适应调整帧尺寸。为利用边缘服务器上的计算资源，我们提出两种专为MOT设计的算力划分方案，即仅边缘服务器配合自适应帧尺寸传输和边缘服务器辅助跟踪。在MOT数据集上的大量实验与基准测试证明了DeepScale的有效性与灵活性。相比最先进跟踪器，DeepScale++（DeepScale的一种变体）在某配置下于MOT15数据集上实现了1.57倍加速，且仅带来约2.3的跟踪精度适度下降。我们已在由NVIDIA Jetson TX2板与GPU服务器组成的小规模测试平台上实现并评估了DeepScale++及所提算力划分方案。实验揭示了相较于仅服务器或仅智能相机方案，在跟踪性能与延迟间存在的非平凡权衡。
引用
@article{arxiv.2107.10404,
title = {DeepScale: Online Frame Size Adaptation for Multi-object Tracking on Smart Cameras and Edge Servers},
author = {Keivan Nalaie and Renjie Xu and Rong Zheng},
journal= {arXiv preprint arXiv:2107.10404},
year = {2021}
}