[論文レビュー] ReXCam: Resource-Efficient, Cross-Camera Video Analytics at Enterprise Scale.

Samvit Jain, Junchen Jiang+3 more|arXiv (Cornell University)|Nov 3, 2018

Anomaly Detection Techniques and Applications被引用数 15

ひとこと要約

ReXCam は、歴史的なトラフィックパターンからの空間的・時間的局所性を活用することで、企業規模のクロスカメラ動画分析におけるリソース効率を高めるシステムです。事前に相関モデルを構築し、推論時に関連のないフレームをフィルタリングすることで、8台のカメラでは8.3倍、130台のカメラシミュレーションでは23倍～38倍のワークロード削減を達成し、欠落検出の高速リプレイ回復が可能になります。

ABSTRACT

Enterprises are increasingly deploying large camera networks for video analytics. Many target applications entail a common problem template: searching for and tracking an object or activity of interest (e.g. a speeding vehicle, a break-in) through a large camera network in live video. Such cross-camera analytics is compute and data intensive, with cost growing with the number of cameras and time. To address this cost challenge, we present ReXCam, a new system for efficient cross-camera video analytics. ReXCam exploits spatial and temporal locality in the dynamics of real camera networks to guide its inference-time search for a query identity. In an offline profiling phase, ReXCam builds a cross-camera correlation model that encodes the locality observed in historical traffic patterns. At inference time, ReXCam applies this model to filter frames that are not spatially and temporally correlated with the query identity's current position. In the cases of occasional missed detections, ReXCam performs a fast-replay search on recently filtered video frames, enabling gracefully recovery. Together, these techniques allow ReXCam to reduce compute workload by 8.3x on an 8-camera dataset, and by 23x - 38x on a simulated 130-camera dataset. ReXCam has been implemented and deployed on a testbed of 5 AWS DeepLens cameras.

研究の動機と目的

• 大規模な企業用カメラネットワークにおけるクロスカメラ動画分析の高い計算コストとデータコストを低減すること。
• カメラネットワークのダイナミクスにおける観察された空間的・時間的相関を活用して、リアルタイム動画分析における推論時のワークロードを低減すること。
• 最近フィルタリングされたフレームに対する高速リプレイ検索により、まれな検出漏れからの滑らかな回復を可能にすること。
• 計算コストの比例的増加なしに、大規模なカメラ展開に効率的にスケーリングできること。

提案手法

• ReXCam は、歴史的トラフィックパターンと観察された空間時間的ダイナミクスに基づき、オフラインでのプロファイリングによりクロスカメラ相関モデルを構築する。
• 推論時に、システムは相関モデルを用いて、空間的・時間的近接性に基づき、照会対象のアイデンティティを含む可能性が低いとされる動画フレームをフィルタリングする。
• 検出漏れからの回復を確保するため、最近フィルタリングされたフレームに対して高速リプレイメカニズムを適用する。
• 相関モデルは定期的に更新され、ネットワーク行動の変化に適応し、正確性を維持する。
• 性能とスケーラビリティの妥当性を検証するため、ReXCam は5台のAWS DeepLensカメラで構成されるテストベッドにデプロイされた。

実験結果

リサーチクエスチョン

• RQ1 実際のカメラネットワークにおける空間的・時間的局所性は、どのようにしてクロスカメラ動画分析における計算負荷の低減に活用できるか？
• RQ2 大規模なカメラネットワークにおいて、推論時に相関のないフレームをフィルタリングすることで、どの程度のワークロード削減が達成できるか？
• RQ3 高速リプレイメカニズムは、顕著なパフォーマンスオーバーヘッドを伴わずに、まれな検出失敗からの回復を効果的に可能にするか？
• RQ4 カメラ数の増加に伴って、システムはどの程度効率的にスケーリングするか？

主な発見

• ReXCam は、空間時間的相関に基づく知的なフレームフィルタリングにより、8台のカメラデータセットで計算ワークロードを8.3倍削減した。
• 130台のカメラを想定したシミュレーション環境では、ReXCam が23倍～38倍のワークロード削減を達成し、強力なスケーラビリティを示した。
• 高速リプレイメカニズムにより、最近フィルタリングされたフレームを再評価することで、検出漏れからの滑らかな回復が可能となり、遅延は最小限に抑えられた。
• 5台のカメラで構成されるAWS DeepLensテストベッドにおける実世界のテストでは、高い正確性と低遅延を維持した。