Turbo：面向边缘视频分析的机会式增强
计算机视觉与模式识别
2022-07-04 v1 系统与控制
系统与控制
摘要
边缘计算正被广泛用于视频分析。为缓解精度与成本之间的固有矛盾，已有多种视频分析流水线被提出以优化边缘节点上GPU的使用。然而，我们发现由于视频内容变化、流水线不同位置的子采样与过滤，为边缘节点配置的GPU计算资源通常未被充分利用。与模型和流水线优化不同，本文研究利用非确定且碎片化的空闲GPU资源进行机会式数据增强的问题。具体而言，我们提出任务特定判别与增强模块以及模型感知对抗训练机制，以准确高效的方式识别并转换特定于某视频流水线的低质量图像。进一步开发了多出口模型结构与资源感知调度器，以在延迟和GPU资源约束下做出在线增强决策与细粒度推理执行。跨多个视频分析流水线与数据集的实验表明，通过将少量空闲资源明智地分配给那些从增强中获益边际效益更大的帧，我们的系统在不引入任何延迟代价的情况下将DNN目标检测精度提升了。
引用
@article{arxiv.2207.00172,
title = {Turbo: Opportunistic Enhancement for Edge Video Analytics},
author = {Yan Lu and Shiqi Jiang and Ting Cao and Yuanchao Shu},
journal= {arXiv preprint arXiv:2207.00172},
year = {2022}
}