[논문 리뷰] Scaling Video Analytics on Constrained Edge Nodes

Christopher Canel, Thomas Kim외 6명|arXiv (Cornell University)|2019. 05. 24.

Video Surveillance and Tracking Methods참고 문헌 26인용 수 26

한 줄 요약

FilterForward는 제약 조건이 있는 엣지 노드에서 경량이고 공유되는 딥 네URAL 네트워크와 애플리케이션별 마이크로분류기를 사용하여 영상 분석 대역폭을 10배 줄이는 엣지-클라우드 시스템이다. 이 시스템은 응용 프로그램 기반 이벤트 탐지 기반으로 관련 프레임만 필터링하여 수천 개의 카메라 피드를 고해상도, 실시간으로 처리할 수 있으며, 기존 방법보다 6.1배 높은 처리량과 1.3배 높은 정확도를 달성한다.

ABSTRACT

As video camera deployments continue to grow, the need to process large volumes of real-time data strains wide area network infrastructure. When per-camera bandwidth is limited, it is infeasible for applications such as traffic monitoring and pedestrian tracking to offload high-quality video streams to a datacenter. This paper presents FilterForward, a new edge-to-cloud system that enables datacenter-based applications to process content from thousands of cameras by installing lightweight edge filters that backhaul only relevant video frames. FilterForward introduces fast and expressive per-application microclassifiers that share computation to simultaneously detect dozens of events on computationally constrained edge nodes. Only matching events are transmitted to the cloud. Evaluation on two real-world camera feed datasets shows that FilterForward reduces bandwidth use by an order of magnitude while improving computational efficiency and event detection accuracy for challenging video content.

연구 동기 및 목표

• 제약 조건이 있는 엣지 노드에서 대규모 실시간 영상 분석의 대역폭 병목 문제를 해결하기 위해.
• 제한된 네트워크 용량에도 불구하고 데이터센터 애플리케이션이 수천 대의 카메라에서 고품질 영상을 처리할 수 있도록 하기 위해.
• 저전력 엣지 하드웨어에서 수십 개의 동시 실행 가능한 애플리케이션 기반 이벤트 탐지 필터를 효율적으로 지원하는 시스템을 설계하기 위해.
• 기존 엣지 필터링 접근 방식에 비해 계산 효율성과 탐지 정확도를 향상시키기 위해.
• 여러 마이크로분류기 간 특징 추출을 공유하여 확장 가능하고 다중 테넌트 영상 분석을 가능하게 하기 위해.

제안 방법

• FilterForward는 각 영상 프레임에서 일반적인 특징을 추출하기 위해 공유 기반 딥 네URAL 네트워크(DNN)를 사용하며, 이로 인해 다수의 마이크로분류기 간에 비용이 분산된다.
• 각 응용 프로그램은 DNN 활성화 값을 기반으로 특정 이벤트(예: 개의 존재)를 탐지하기 위한 경량 마이크로분류기(MC)를 배포한다.
• 프레임 수준의 분류 결과는 이벤트의 시작 및 종료 시간을 식별하기 위해 스무딩되며, 이후 재인코딩되어 클라우드로 전송된다.
• 마이크로분류기는 기반 DNN의 다양한 레이어에서 특징를 추출할 수 있어 최소한의 중복을 바탕으로 표현력 있는 애플리케이션 기반 탐지가 가능하다.
• 한 개의 엣지 노드에서 수십 개의 MC를 동시에 실행함으로써 공유된 특징 계산을 활용하여 다중 테넌시를 지원한다.
• 감지된 이벤트를 포함하는 프레임만 전송되므로 대역폭 사용이 극적으로 감소하지만 영상 품질은 그대로 유지된다.

실험 결과

연구 질문

• RQ1 공유된 특징 추출 파이프라인은 제약 조건이 있는 엣지 노드에서 수많은 영상 분석 필터를 실행할 때 계산 비용을 크게 줄일 수 있는가?
• RQ2 대규모 영상 배포에서 엣지 기반 필터링이 탐지 정확도를 훼손하지 않으면서 대역폭 사용을 얼마나 줄일 수 있는가?
• RQ3 공유된 DNN 특징에서 훈련된 마이크로분류기의 정확도와 효율성은 픽셀 기반 분류기와 비교해 어떻게 되는가?
• RQ4 동시 마이크로분류기 수와 처리량 측면에서 다중 테넌트 엣지 필터링 시스템의 확장성 한계는 어디까지인가?
• RQ5 엄격한 대역폭 제약 조건 하에서도 제안된 아키텍처는 어려운 실세계 영상 콘텐츠에서 높은 탐지 정확도를 유지할 수 있는가?

주요 결과

• FilterForward는 실제 데이터셋에서 표준 영상 압축 기법 대비 대역폭 사용을 한 단계 감소시켜 10배 감소시켰다.
• 50개의 동시 마이크로분류기를 사용할 경우, 기존의 경량 필터링 접근 방식보다 6.1배 높은 처리량을 달성했다.
• FilterForward의 마이크로분류기는 이전 연구에서 사용된 픽셀 기반 DNN 필터 대비 최대 1.3배 높은 정확도를 보였다.
• 공유된 특징 계산 덕분에 각 새로운 마이크로분류기를 추가할 때의 마진 비용이 이전 시스템 대비 최대 23배 낮아졌다.
• 3~4개 이상의 마이크로분류기가 활성화된 경우, 계산 효율성 측면에서 기존 엣지 필터링 시스템을 뛰어넘었다.
• 관련 이벤트에 대해 전체 해상도 영상을 유지함으로써, 심한 대역폭 제약 조건 하에서도 도전적인 영상 콘텐츠에서 높은 탐지 정확도를 유지했다.