RedunCut：面向低成本实时视频分析的测量驱动采样与精度性能建模
计算机视觉与模式识别
2026-01-01 v1 分布式、并行与集群计算
摘要
实时视频分析（LVA）在海量摄像头机群上持续运行，但使用现代视觉模型的推理成本仍然很高。为解决此问题，动态模型尺寸选择（DMSS）是一种有吸引力的方法：它具有内容感知能力，但将模型视为黑盒，无需重新训练或修改模型即可将成本降低多达10倍。在没有运行时真实标签的情况下，我们观察到DMSS方法对每个片段使用两个阶段：（i）采样少量模型以计算预测统计量（例如，置信度），然后（ii）根据这些统计量选择模型尺寸。现有系统无法泛化到多样化的工作负载，特别是移动视频和较低精度目标。我们识别出这些失败模式源于低效的采样（其成本超过收益）以及不准确的逐段精度预测。在这项工作中，我们提出了RedunCut，一个解决这两个问题的新型DMSS系统：它使用一个测量驱动的规划器来估计采样的成本效益权衡，并使用一个轻量级、数据驱动的性能模型来提高精度预测。在道路车辆、无人机和监控视频以及多个模型家族和任务上，RedunCut在固定精度下将计算成本降低了14-62%，并且对有限的历史数据和漂移保持鲁棒性。
引用
@article{arxiv.2512.24386,
title = {RedunCut: Measurement-Driven Sampling and Accuracy Performance Modeling for Low-Cost Live Video Analytics},
author = {Gur-Eyal Sela and Kumar Krishna Agrawal and Bharathan Balaji and Joseph Gonzalez and Ion Stoica},
journal= {arXiv preprint arXiv:2512.24386},
year = {2026}
}
备注
21 pages, 23 figures