[논문 리뷰] ReXCam: Resource-Efficient, Cross-Camera Video Analytics at Enterprise Scale.

Samvit Jain, Junchen Jiang외 3명|arXiv (Cornell University)|2018. 11. 03.

Anomaly Detection Techniques and Applications인용 수 15

한 줄 요약

ReXCam는 기업 규모의 크로스카메라 비디오 분석을 위한 자원 효율적인 시스템으로, 이전 트래픽 패턴에서 유도된 공간적 및 시간적 국소성을 활용하여 컴퓨팅 워크로드를 감소시킨다. 사전에 상관관계 모델을 구축하고 추론 시기 동안 관련성이 없는 프레임을 필터링함으로써, 8대의 카메라에서는 8.3배, 130대의 카메라 시뮬레이션에서는 23배에서 38배까지 워크로드를 감소시키며, 빠른 재생 복구 기능을 통해 놓친 탐지도 복구할 수 있다.

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.

연구 동기 및 목표

• 대규모 엔터프라이즈 카메라 네트워크에서 크로스카메라 비디오 분석의 높은 컴퓨팅 및 데이터 비용을 해결하기 위해.
• 카메라 네트워크 동역학에서 관측된 공간적 및 시간적 상관관계를 활용하여 실시간 비디오 분석에서 추론 시 워크로드를 감소시키기 위해.
• 최근에 필터링된 프레임에 대한 빠른 재생 검색을 통해 간헐적인 탐지 실패에 유연하게 대응할 수 있도록 하기 위해.
• 컴퓨팅 비용이 비례적으로 증가하지 않도록 대규모 카메라 배포에 효율적으로 스케일링할 수 있도록 하기 위해.

제안 방법

• ReXCam는 이전 트래픽 패턴과 관측된 공간-시간 역학을 기반으로 사전에 크로스카메라 상관관계 모델을 구축하기 위해 오프라인 프로파일링을 수행한다.
• 추론 시기 동안 시스템은 상관관계 모델을 사용하여 공간적 및 시간적 근접도에 기반해 쿼리 식별자가 포함될 가능성이 낮은 프레임을 필터링한다.
• 시스템은 최근에 필터링된 프레임에 대해 빠른 재생 메커니즘을 적용하여 놓친 탐지를 복구함으로써 강력한 추적을 보장한다.
• 상관관계 모델은 네트워크 행동의 변화에 적응하고 정확도를 유지하기 위해 주기적으로 갱신된다.
• 성능 및 확장성 검증을 위해 ReXCam는 5대의 AWS DeepLens 카메라 테스트베드에 배포되었다.

실험 결과

연구 질문

• RQ1 실제 카메라 네트워크에서의 공간적 및 시간적 국소성을 어떻게 활용하여 크로스카메라 비디오 분석의 컴퓨팅 워크로드를 감소시킬 수 있는가?
• RQ2 대규모 카메라 네트워크에서 추론 시기 동안 관련성이 없는 프레임을 필터링함으로써 어떤 정도의 워크로드 감소를 달성할 수 있는가?
• RQ3 빠른 재생 메커니즘이 성능 오버헤드를 크게 유발하지 않으면서 간헐적인 탐지 실패를 효과적으로 복구할 수 있는가?
• RQ4 카메라 수가 증가함에 따라 시스템은 어떻게 확장되며, 효율성을 유지하는가?

주요 결과

• ReXCam는 공간-시간 상관관계 기반의 지능적인 프레임 필터링을 통해 8대 카메라 데이터셋에서 컴퓨팅 워크로드를 8.3배 감소시켰다.
• 130대 카메라 시뮬레이션 환경에서 ReXCam는 워크로드 감소율을 23배에서 38배까지 기록하여 강력한 확장성을 입증했다.
• 빠른 재생 메커니즘은 최근에 필터링된 프레임을 재평가함으로써 놓친 탐지에 대한 유연한 복구를 가능하게 하며, 최소한의 지연 시간을 유발한다.
• 실제 5대 카메라 AWS DeepLens 테스트베드에서의 실생활 테스트에서 시스템은 높은 정확도와 낮은 지연 시간을 유지했다.