[论文解读] 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 15

一句话总结

ReXCam 是一种资源高效的跨摄像头视频分析系统，适用于企业级规模，通过利用历史流量模式中的空间和时间局部性来减少计算工作负载。通过离线构建相关性模型，并在推理时过滤不相关帧，它在8个摄像头场景下实现8.3倍的负载减少，在130个摄像头的仿真环境中实现23至38倍的减少，同时具备快速重播机制以恢复漏检情况。

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.

研究动机与目标

• 解决大规模企业摄像头网络中跨摄像头视频分析带来的高计算和数据成本问题。
• 通过利用摄像头网络动态中的空间和时间相关性，减少实时视频分析中的推理阶段工作负载。
• 通过在最近过滤的帧上进行快速重播搜索，实现对偶尔漏检的优雅恢复。
• 在不按比例增加计算成本的前提下，实现对大规模摄像头部署的高效扩展。

提出的方法

• ReXCam 通过历史流量模式和观测到的时空动态，在离线阶段构建跨摄像头相关性模型。
• 在推理阶段，系统利用该相关性模型，根据空间和时间接近度，过滤掉不太可能包含查询目标身份的视频帧。
• 系统对最近过滤的帧应用快速重播机制，以恢复漏检，确保跟踪的鲁棒性。
• 相关性模型会定期更新，以适应网络行为的变化并保持准确性。
• ReXCam 已在由5个AWS DeepLens摄像头组成的测试平台上部署，以验证其性能和可扩展性。

实验结果

研究问题

• RQ1 如何在真实摄像头网络中利用空间和时间局部性，以减少跨摄像头视频分析中的计算工作负载？
• RQ2 在大规模摄像头网络中，通过在推理阶段过滤非相关帧，可实现多大程度的工作负载减少？
• RQ3 快速重播机制是否能有效恢复偶尔的检测失败，且不会带来显著的性能开销？
• RQ4 当摄像头数量不断增加时，该系统如何保持效率并实现可扩展性？

主要发现

• ReXCam 通过基于时空相关性的智能帧过滤，在8个摄像头的数据集上将计算工作负载减少了8.3倍。
• 在130个摄像头的仿真部署中，ReXCam 实现了23至38倍的工作负载减少，展现出强大的可扩展性。
• 快速重播机制通过以极低延迟重新评估最近过滤的帧，实现了对漏检的优雅恢复。
• 在5个摄像头的AWS DeepLens测试平台上的真实世界测试中，系统保持了高准确率和低延迟。