[論文レビュー] Supporting Video Queries on Zero-Streaming Cameras.

Mengwei Xu, Tiantu Xu+4 more|arXiv (Cornell University)|Apr 28, 2019

Image and Video Quality Assessment参考文献 47被引用数 4

ひとこと要約

本論文では、低価格のカメラが動画をローカルに保存し、クエリがある場合にのみクラウドと連携するゼロストリーミング動画分析システムを提案する。スパースフレーム知識学習と、クラウド最適化されたオペレータを用いた動的でマルチパスのクエリ処理により、システムは100倍以上の動画リアルタイム性能を達成し、低価格のハードウェアおよび一般的な無線帯域幅において、代替手法を最大2桁の速度向上で上回る。

ABSTRACT

Low-cost cameras grow rapidly, producing colossal videos that enable powerful analytics but also stress network and compute resources. An unexploited opportunity is that most of the videos remain cold without ever being queried. For resource efficiency, we advocate for these cameras to be zero-streaming: they capture videos directly to their cheap local storage and only communicate with the cloud when analytics is requested. To this end, we present a system that spans the cloud and cameras. Our key ideas are twofold. When capturing video frames, a camera learns accurate knowledge on a sparse sample of frames, rather than learning inaccurate knowledge on all frames; in executing one query, a camera processes frames in multiple passes with multiple operators trained and picked by the cloud during the query, rather than one pass processing with operator(s) decided ahead of the query. On diverse queries over 15 videos and with typical wireless network bandwidth and low-cost camera hardware, our system prototype runs at more than 100x video realtime. It outperforms competitive alternative designs by at least 4x and up to two orders of magnitude.

研究の動機と目的

• 常にストリーミングされる低価格のカメラが、ほとんどクエリされないという非効率な点を是正すること。
• カメラが動画をローカルに保存し、オンデマンドでのみクラウドと通信することで、ネットワークおよび計算負荷を低減すること。
• クエリごとに複数の最適化されたオペレータを動的に選択・適用するシステムを設計し、正確性と効率性を向上させること。
• 低価格のハードウェアおよび制限された無線帯域幅でも高いパフォーマンスを達成し、動画分析のスケーラビリティとリソース効率を高めること。

提案手法

• カメラは全フレームを処理するのではなく、動画フレームのスパースサンプルから正確な知識を学習することで、計算負荷を低減する。
• システムはクエリごとに複数の処理パスを実行し、クラウドがそのクエリに特化して選択・訓練したオペレータを使用する。
• オペレータはクエリの意味的特徴とデータ特性に基づいて選ばれ、適応的で効率的な処理を可能にする。
• クラウドが各クエリのニーズに合わせて特化したオペレータの選定とデプロイを調整する。
• システムは動画をローカルストレージに保持することでデータ転送を最小限に抑え、クエリ実行時に必要なフレームのみを取得する。
• エッジカメラとクラウドの間で協調する分散アーキテクチャにより、低遅延かつ高スループットの動画分析を実現する。

実験結果

リサーチクエスチョン

• RQ1 ストリーミングを行わずローカルに動画を保存し、オンデマンドでのみ通信するカメラで、効率的な動画分析が可能か？
• RQ2 フルフレーム処理を行わず、最小限の処理で低価格カメラ上で正確な分析を達成するにはどうすればよいか？
• RQ3 帯域幅およびハードウェア制約下で、パフォーマンスと正確性を最大化するクエリ処理戦略は何か？
• RQ4 クラウド最適化されたオペレータを用いた動的でマルチパス処理は、現実世界の環境において静的でシングルパスアプローチを上回るか？

主な発見

• 本システムは、低価格カメラのハードウェアおよび一般的な無線ネットワーク帯域幅において、100倍以上の動画リアルタイム性能を達成した。
• クエリ実行速度において、競合する代替設計を最低4倍、最大2桁の速度向上で上回った。
• スパースフレーム知識学習により、顕著に低い計算コストで正確な分析が可能になった。
• クラウドが調整するオペレータを用いた動的でマルチパスのクエリ処理は、効率性と多様なクエリへの適応性を向上させた。
• データ転送量とローカル処理負荷を最小限に抑えながら、高い正確性を維持した。
• 本アーキテクチャは、多様な動画ワークロードおよび現実のネットワーク環境において、効果的にスケーリングした。