在受限边缘节点上扩展视频分析
计算机视觉与模式识别
2019-06-03 v1 机器学习
性能
图像与视频处理
机器学习
摘要
随着视频监控部署的持续增长,处理大量实时数据的需求给广域网络基础设施带来压力。在每摄像头带宽受限的情况下,诸如交通监测和行人跟踪等应用将无法把高质量视频流卸载到数据中心。本文提出 FilterForward,一种新型的边到云系统,它通过部署轻量级边缘过滤器,仅回传相关视频帧,使基于数据中心的应用能够处理来自数千个摄像头的内容。FilterForward 引入了快速且富有表现力的逐应用微分类器,这些微分类器共享计算,从而在计算受限的边缘节点上同时检测数十种事件。仅匹配的事件被传输到云端。在两个真实世界摄像头馈送数据集上的评估表明,FilterForward 在降低一个数量级带宽使用的同时,提升了计算效率和针对具有挑战性视频内容的事件检测准确率。
引用
@article{arxiv.1905.13536,
title = {Scaling Video Analytics on Constrained Edge Nodes},
author = {Christopher Canel and Thomas Kim and Giulio Zhou and Conglong Li and Hyeontaek Lim and David G. Andersen and Michael Kaminsky and Subramanya R. Dulloor},
journal= {arXiv preprint arXiv:1905.13536},
year = {2019}
}
备注
This paper is an extended version of a paper with the same title published in the 2nd SysML Conference, SysML '19 (Canel et. al., 2019)