[论文解读] A Reliable, Self-Adaptive Face Identification Framework via Lyapunov Optimization

Do-Hyeon Kim, Joongheon Kim+1 more|arXiv (Cornell University)|Sep 2, 2021

Advanced Data Compression Techniques参考文献 9被引用 6

一句话总结

本文提出了一种自适应人脸检测框架，通过李雅普诺夫优化动态调整视频帧采样率，在资源受限设备上最大化检测性能的同时防止队列溢出。通过平衡时间平均检测效用与队列稳定性，该框架在高负载下也能实现近似最优性能，且不会导致系统崩溃。

ABSTRACT

Realtime face identification (FID) from a video feed is highly computation-intensive, and may exhaust computation resources if performed on a device with a limited amount of resources (e.g., a mobile device). In general, FID performs better when images are sampled at a higher rate, minimizing false negatives. However, performing it at an overwhelmingly high rate exposes the system to the risk of a queue overflow that hampers the system's reliability. This paper proposes a novel, queue-aware FID framework that adapts the sampling rate to maximize the FID performance while avoiding a queue overflow by implementing the Lyapunov optimization. A preliminary evaluation via a trace-based simulation confirms the effectiveness of the framework.

研究动机与目标

• 解决在移动设备等资源受限环境中，高人脸检测（FID）性能与系统可靠性之间的权衡问题。
• 防止因帧采样率过高导致计算和内存资源过载而引发的队列溢出。
• 开发一种动态、自适应的帧率控制机制，以在无需预先了解工作负载或系统容量的情况下维持高FID性能。
• 通过基于实时队列队 backlog 和系统容量持续调整采样率，实现可靠且实时的FID。
• 提供即插即用的框架，增强现有FID算法，而无需修改其核心逻辑。

提出的方法

• 该框架将FID系统建模为具有时变帧到达率和处理延迟的随机排队系统。
• 采用李雅普诺夫优化方法，联合最大化时间平均FID性能并确保队列稳定，使用漂移加惩罚目标函数。
• 在时间t的最优帧率为 f*(t) = argmax_f∈ℱ { V·S(f(t)) - Q(t)·λ(f(t)) }，其中V控制效用-稳定性权衡。
• 系统监控当前队列队 backlog Q(t)，并选择使李雅普诺夫漂移惩罚函数最大化的帧率 f(t)。
• 该框架独立于底层FID算法，评估时以OpenFace作为参考实现。
• 通过基于 trace 的仿真，在有无自适应的情况下评估不同帧率下的队列稳定性和性能。

实验结果

研究问题

• RQ1 自适应帧率控制机制是否能在移动设备上提升FID性能的同时防止队列溢出？
• RQ2 李雅普诺夫优化如何在动态工作负载下实现高FID准确率与系统可靠性的平衡？
• RQ3 与固定帧率采样相比，自适应帧率控制对资源受限系统中队列稳定性的影响如何？
• RQ4 该框架是否能在不了解系统容量或工作负载模式的情况下实现近似最优的FID性能？
• RQ5 在极端条件下（如导致队列发散的帧率阈值）下，该框架的性能表现如何？

主要发现

• 所提出的框架即使在高负载下也能成功防止队列溢出，而固定帧率10帧/秒的采样方式最终导致队列发散。
• 采用自适应帧率控制后，队列稳定在有界水平，且在不同控制参数V值下均保持一致的性能表现。
• 与每秒1帧的固定帧率采样相比，该框架显著提升了FID性能，后者因采样不足导致检测率最低。
• 仿真结果表明，该框架能根据队列队 backlog 动态调整帧率，避免了采样不足和溢出。
• 该框架在确保系统可靠性的同时维持了高水平的识别性能，证明了李雅普诺夫优化在实时视频处理中的有效性。
• 评估结果确认，该框架在队列稳定性约束下最大化了FID性能，性能差距为O(1/V)，队列上界为O(V)，与理论预测一致。