EdgeSync：基于自适应连续学习的视频数据漂移下更快的边缘模型更新
计算机视觉与模式识别
2024-06-06 v1 人工智能
摘要
实时视频分析系统通常会在边缘设备上部署具有更少参数的模型，以减少延迟。由于各种原因（例如光照和天气变化），视频内容特征的分布可能随时间变化，导致现有模型 accuracy 下降。为解决此问题，最近的研究提出了一种框架，使用远程服务器辅助复杂模型，对轻量级模型在边缘进行持续训练和适应。然而，现有分析方法尚未解决两个挑战：首先，重新训练任务计算密集，导致大型模型更新延迟；其次，新模型可能不足以适配当前视频流的数据分布。为应对这些挑战，本文提出了 EdgeSync。EdgeSync 通过考虑时效性和推理结果来过滤样本，使训练样本更符合当前视频内容，同时减少更新延迟，以提高训练质量。EdgeSync 还设计了一个训练管理模块，能够在运行时高效调整模型训练时间和训练顺序。通过在具有复杂场景的真实数据集上进行评估，我们的方法比现有方法提高约 3.4%，比传统方法提高约 10%。
引用
@article{arxiv.2406.03001,
title = {EdgeSync: Faster Edge-model Updating via Adaptive Continuous Learning for Video Data Drift},
author = {Peng Zhao and Runchu Dong and Guiqin Wang and Cong Zhao},
journal= {arXiv preprint arXiv:2406.03001},
year = {2024}
}