ODIN：视频分析中的自动化漂移检测与恢复
计算机视觉与模式识别
2020-09-14 v1 机器学习
系统与控制
系统与控制
摘要
计算机视觉的最新进展引发了人们对视觉数据分析的重新关注。研究人员正在开发用于大规模有效且高效分析视觉数据的系统。这些系统遇到的重大挑战在于真实世界视觉数据中的漂移。例如，一个未经含雪图像训练的自驾车辆模型在实际上遇到此类图像时表现不佳。这种漂移现象限制了用于视觉数据分析的模型的准确性。在本文中，我们提出一个名为 ODIN 的视觉数据分析系统，可自动检测并从漂移中恢复。ODIN 使用对抗自编码器学习高维图像的分布。我们提出一种无监督算法，通过比较给定数据与先前所见数据的分布来检测漂移。当 ODIN 检测到漂移时，它调用漂移恢复算法以部署针对新数据点定制的专用模型。这些专用模型在准确性、性能和内存占用上均优于其非专用对应模型。最后，我们提出一种模型选择算法，用于挑选最佳拟合的专用模型集成来处理给定输入。我们在 Berkeley DeepDrive 数据集中不同环境下捕获的高分辨率行车记录仪视频上评估了 ODIN 的有效性与效率。我们证明，与无自动化漂移检测与恢复的基线系统相比，ODIN 的模型提供了 6 倍更高吞吐量、2 倍更高准确性以及 6 倍更小内存占用。
引用
@article{arxiv.2009.05440,
title = {ODIN: Automated Drift Detection and Recovery in Video Analytics},
author = {Abhijit Suprem and Joy Arulraj and Calton Pu and Joao Ferreira},
journal= {arXiv preprint arXiv:2009.05440},
year = {2020}
}