SurveilEdge：基于云边协同深度学习的实时视频查询
分布式、并行与集群计算
2020-04-07 v2
摘要
海量监控视频数据的实时查询在公共安全、智能交通等多种智慧城市场景中起着基础作用。传统基于云的方法因高传输延迟和昂贵带宽成本而不适用，而边缘设备因资源受限往往难以低延迟、高精度地执行复杂视觉算法。鉴于纯云与纯边缘方案均不可行，我们提出SurveilEdge，一种用于大规模监控视频流实时查询的云边协同系统。具体而言，我们设计了一种卷积神经网络(CNN)训练方案以在高精度下缩短训练时间，以及一种智能任务分配器以平衡不同计算节点间的负载并实现实时查询的延迟-精度权衡。我们在含多个边缘设备和公有云的原型上实现了SurveilEdge，并使用真实监控视频数据集进行了大量实验。评估结果表明，与纯云方案相比，SurveilEdge带宽成本降低达7倍、查询响应时间加快5.4倍；与纯边缘方案相比，查询精度提升达43.9%、加速达15.8倍。
引用
@article{arxiv.2001.01043,
title = {SurveilEdge: Real-time Video Query based on Collaborative Cloud-Edge Deep Learning},
author = {Shibo Wang and Shusen Yang and Cong Zhao},
journal= {arXiv preprint arXiv:2001.01043},
year = {2020}
}
备注
To appear at IEEE INFOCOM 2020