[論文レビュー] Focus: Querying Large Video Datasets with Low Latency and Low Cost

Kevin Hsieh, Ganesh Ananthanarayanan+5 more|arXiv (Cornell University)|Jan 10, 2018

Advanced Neural Network Applications参考文献 42被引用数 97

ひとこと要約

Focusは、安価で専門的なCNNを用いた取り込み、類似オブジェクトのクラスタリング、クエリ時に高価なGT-CNNで検証することで、大規模ビデオデータセットに対して低遅延・低コストのクエリを可能にする。

ABSTRACT

Large volumes of videos are continuously recorded from cameras deployed for traffic control and surveillance with the goal of answering "after the fact" queries: identify video frames with objects of certain classes (cars, bags) from many days of recorded video. While advancements in convolutional neural networks (CNNs) have enabled answering such queries with high accuracy, they are too expensive and slow. We build Focus, a system for low-latency and low-cost querying on large video datasets. Focus uses cheap ingestion techniques to index the videos by the objects occurring in them. At ingest-time, it uses compression and video-specific specialization of CNNs. Focus handles the lower accuracy of the cheap CNNs by judiciously leveraging expensive CNNs at query-time. To reduce query time latency, we cluster similar objects and hence avoid redundant processing. Using experiments on video streams from traffic, surveillance and news channels, we see that Focus uses 58X fewer GPU cycles than running expensive ingest processors and is 37X faster than processing all the video at query time.

研究の動機と目的

• 後処理分析のために、長時間のビデオデータセットに対する安価で高速なクエリの必要性を喚起する。
• GT-CNN（グランドトゥルースCNN）に対して高い精度/再現率を維持しつつ、コストを意識した取り込みと照会のフレームワークを提案する。
• 低コストと遅延低減を実現するために、安価な取り込みCNN、Top-Kインデクシング、クラスタリング、ビデオ固有の特化といった手法を開発する。
• アプリケーションのニーズに基づいて取り込みコストとクエリ待機時間をトレードオフできる調整可能なシステムを提供する。
• Focusが複数のビデオドメインにわたって顕著なコストと遅延の改善をもたらすことを示す。

提案手法

• 取り込み時に安価で圧縮され、専門化されたCNNを使用して、クラスごとにオブジェクトを検出・インデックス化する。
• 各オブジェクトをCheapCNNの上位K結果でインデックス化してリコールを回復する。
• 安価なCNN特徴ベクトルを用いて類似オブジェクトをクラスタリングし、クエリ時のGT-CNN評価回数を削減する。
• クエリ時にGT-CNNでクラスタ中心を分類して、クラスタ内のすべてのオブジェクトにラベルを割り当て、遅延を削減する。
• 頻繁なクラスで再訓練した縮小モデルを用いて、ビデオストリームごとに取り込みCNNを特化させ、少数で高精度、ストリーム特有のモデルセットを作成する。
• ユーザー定義の精度/再現率目標を満たすよう、CheapCNN、K、Ls（人気クラス）、クラスタリング閾値Tを選択して取り込みコストとクエリ待機時間のバランスをとる。

実験結果

リサーチクエスチョン

• RQ1 GT-CNNに対して高い精度を維持しつつ、ビデオクエリの低コストの取り込みを実現するにはどうすればよいか。
• RQ2 安価な取り込みCNN、Top-Kインデクシング、クラスタリング、特化の組み合わせが、取り込みコストとクエリ待機時間の間で最良のトレードオフを生むのか。
• RQ3 ビデオ固有の特化は、再現率・精度・パフォーマンスを、ドメイン（交通、監視、ニュース）といったドメインでどう影響するか。
• RQ4 クラスタリングとセントロイドベースのGT-CNN評価は、精度を損なうことなくクエリ時の計算を著しく削減できるか。
• RQ5 異なるターゲットアプリケーションに対して、取り込みコスト、クエリ待機時間、精度のバランスを最適化するパラメータは何か。

主な発見

• FocusはIngest-allと比較して取り込みを最大で58倍安く、場合によっては98倍安くなる。
• クエリ待機時間の遅延において、FocusはQuery-allより最大37倍高速。
• Focusは少なくとも95%の精度と再現率を代表的な評価で維持する。
• Focusにより取り込みコストは1ストリームあたり月額250ドルから4ドルへ低減可能。
• 24時間のビデオのクエリ待機時間は約1時間から2分未満へ低下。
• 特化とTop-Kインデクシングにより、高いリコールを小さなK値で実現（例: 専用モデルではKを2–4程度まで小さく可能）。