[論文レビュー] A Content Driven Resource Allocation Scheme for Video Transmission in Vehicular Networks

Jiujiu Chen, Chunyan Feng+2 more|arXiv (Cornell University)|Sep 28, 2020

Image and Video Quality Assessment参考文献 15被引用数 4

ひとこと要約

本稿では、従来のQoSやQoE指標ではなく、コンテンツの質（QoC）を最適化することにより、車両通信網における動画配信のコンテンツ駆動型リソース割り当て方式を提案する。検出精度をビットレートの関数としてモデル化し、帯域幅割り当てを凸最適化問題として定式化することで、QoEベースおよびデータに依存しないアプローチと比較して、顕著に高い物体検出精度とコンテンツ保持率を達成する。

ABSTRACT

With the growing computer vision applications, lots of videos are transmitted for content analysis, the way to allocate resources can affect the performance of video content analysis. For this purpose, the traditional resource allocation schemes for video transmission in vehicular networks, such as qualityof-service (QoS) based or quality-of-experience (QoE) based schemes, are no longer optimal anymore. In this paper, we propose an efficient content driven resource allocation scheme for vehicles equipped with cameras under bandwidth constraints in order to improve the video content analysis performance. The proposed resource allocation scheme is based on maximizing the quality-of-content (QoC), which is related to the content analysis performance. A QoC based assessment model is first proposed. Then, the resource allocation problem is converted to a solvable convex optimization problem. Finally, simulation results show the better performance of our proposed scheme than the existing schemes like QoE based schemes.

研究の動機と目的

• 車両ネットワークにおける動画コンテンツ分析タスクにおいて、従来のQoSおよびQoEベースのリソース割り当てが最適でない性能を示す問題に対処すること。
• 帯域制限下でも、コンテンツ豊富な動画ストリームを優先することで、動画コンテンツ分析の精度を向上させること。
• 物体検出タスクにおける動画ビットレートと検出精度の関係を定量化する品質のコンテンツ（QoC）モデルを構築すること。
• 凸最適化を通じて全体の検出精度を最大化するリソース割り当て戦略を定式化すること。
• 動的かつ変化しやすい車両環境下で、既存のQoEおよびデータに依存しない割り当て手法と比較して、QoCベースの手法の優位性を示すこと。

提案手法

• Faster R-CNNを用いた物体検出性能に基づいてQoCモデルを構築し、検出精度をビットレート（QP）およびエンコーディングレートに関連付ける。
• リソース割り当て問題を、全体の正しく検出される確率を最大化する凸最適化問題（P2）に変換する。
• 時間変動するチャネル状態情報（CSI）を考慮した、合計帯域幅、各車両のレート制限、および動的適応の制約を組み込む。
• 検出確率とコンテンツ密度を組み合わせた目的関数を定義し、係数は実験的検出性能曲線から導出する。
• 標準的な凸ソルバーを用いて問題を解き、時間変動するチャネルに即時に適応可能な仕組みを実現する。
• 新しいCSIおよびコンテンツ分析フィードバックに基づき、$ t_e = 1 $ 秒の周期で帯域幅割り当てを更新する。

実験結果

リサーチクエスチョン

• RQ1 帯域制限下において、QoCベースのリソース割り当てはQoEベースの手法と比較して、物体検出精度においてどのように異なるか？
• RQ2 コンテンツ密度は、車両動画伝送における帯域割り当ての公平性および効率性に、どの程度影響を与えるか？
• RQ3 凸最適化フレームワークは、車両ネットワークにおける動画コンテンツ分析のための動的帯域割り当てを効果的にモデル化および解消できるか？
• RQ4 本手法は、時間変動が激しいチャネル状態に、リアルタイムでどのように適応するか？
• RQ5 高コンテンツ動画を優先することで、全体の検出密度およびシステム性能にどのような影響を与えるか？

主な発見

• 提案されたQoCベースの手法は、特に帯域が限られた状況下で、QoEベースおよびデータに依存しない手法と比較して、顕著に高い全体の検出精度を達成する。
• コンテンツ密度がより高い（例：より多くの物体を含む）車両1は、より多くの帯域を割り当てられ、結果としてより優れた検出性能を示す。
• 時間変動するチャネルに効果的に適応でき、リソース割り当てが$ t_e = 1 $ 秒ごとに更新され、高い性能を維持する。
• 本手法下での正しく検出された物体の全体的な密度が最も高く、有用なコンテンツ情報の保持が優れていることを示している。
• QoCベースの割り当てでは、高帯域幅領域において検出精度曲線が平坦になる傾向があり、利用可能なリソースを効率的に活用していることを示している。
• 最適化問題の凸性が数学的に証明されており、標準的なソルバーを用いることで、信頼性の高いかつ効率的な解法が保証される。