論文の概要: CrossRoI: Cross-camera Region of Interest Optimization for Efficient
Real Time Video Analytics at Scale
- arxiv url: http://arxiv.org/abs/2105.06524v1
- Date: Thu, 13 May 2021 19:29:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 02:12:27.945324
- Title: CrossRoI: Cross-camera Region of Interest Optimization for Efficient
Real Time Video Analytics at Scale
- Title（参考訳）: CrossRoI: 大規模リアルタイムビデオ分析のための関心最適化のクロスカメラ領域
- Authors: Hongpeng Guo, Shuochao Yao, Zhe Yang, Qian Zhou, Klara Nahrstedt
- Abstract要約: crossroiは、ビデオコンテンツのアソシエーションと冗長性を利用して、カメラ群にまたがってリアルタイムのビデオ分析を可能にする。
crossroiは、カメラ間相関を確立するオフラインフェーズと、リアルタイムビデオ推論のための効率的なオンラインフェーズの2つのフェーズで動作する。
SotAフレームフィルタリングシステムと統合すると、CrossRoIのパフォーマンス向上率は50% - 80%(ネットワークオーバーヘッド)、33% - 61%(エンドツーエンド遅延)に達します。
- 参考スコア（独自算出の注目度）: 18.52280017818153
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video cameras are pervasively deployed in city scale for public good or
community safety (i.e. traffic monitoring or suspected person tracking).
However, analyzing large scale video feeds in real time is data intensive and
poses severe challenges to network and computation systems today. We present
CrossRoI, a resource-efficient system that enables real time video analytics at
scale via harnessing the videos content associations and redundancy across a
fleet of cameras. CrossRoI exploits the intrinsic physical correlations of
cross-camera viewing fields to drastically reduce the communication and
computation costs. CrossRoI removes the repentant appearances of same objects
in multiple cameras without harming comprehensive coverage of the scene.
CrossRoI operates in two phases - an offline phase to establish cross-camera
correlations, and an efficient online phase for real time video inference.
Experiments on real-world video feeds show that CrossRoI achieves 42% - 65%
reduction for network overhead and 25% - 34% reduction for response delay in
real time video analytics applications with more than 99% query accuracy, when
compared to baseline methods. If integrated with SotA frame filtering systems,
the performance gains of CrossRoI reach 50% - 80% (network overhead) and 33% -
61% (end-to-end delay).
- Abstract（参考訳）: ビデオカメラは公共の利益やコミュニティの安全のために都市規模で広く展開されている。
交通監視や被疑者追跡など)。
しかし、大規模ビデオフィードをリアルタイムに分析することはデータ集約であり、今日ではネットワークや計算システムに深刻な課題となっている。
本稿では,ビデオコンテンツのアソシエーションと冗長性を活用したリアルタイムビデオ解析を実現する,リソース効率の高いシステムであるcrossroiを提案する。
CrossRoIは、クロスカメラ視野の固有の物理的相関を利用して、通信と計算コストを大幅に削減する。
CrossRoIは、複数のカメラで同じ物体の残酷な外観を取り除き、シーンの包括的カバレッジを損なうことはない。
crossroiは、カメラ間相関を確立するオフラインフェーズと、リアルタイムビデオ推論のための効率的なオンラインフェーズの2つのフェーズで動作する。
実世界のビデオフィードにおける実験によると、crossroiは、ベースラインメソッドと比較して、リアルタイムビデオ分析アプリケーションにおいて、ネットワークオーバーヘッドの42%から65%、応答遅延の25%から34%の削減を達成している。
SotAフレームフィルタリングシステムと統合すると、CrossRoIのパフォーマンス向上率は50%から80%(ネットワークオーバーヘッド)、33%61%(エンドツーエンド遅延)に達する。
関連論文リスト
- STAC: Leveraging Spatio-Temporal Data Associations For Efficient
Cross-Camera Streaming and Analytics [0.0]
本稿では,制約されたネットワーク環境下でのリアルタイム解析と推論を実現する,効率的なクロスカメラ監視システムを提案する。
ストリーム特性に対するフレームフィルタリングと最先端圧縮をSTACと統合する。
本研究では,このデータセットを用いてSTAの性能評価を行い,完全性評価のための精度指標と推論率を測定した。
論文 参考訳（メタデータ） (2024-01-27T04:02:52Z) - Enabling Cross-Camera Collaboration for Video Analytics on Distributed
Smart Cameras [7.609628915907225]
本稿では、スマートカメラ上でのクロスカメラコラボレーションによる分散ビデオ分析システムArgusを紹介する。
マルチカメラ・マルチターゲットトラッキングを主課題であるマルチカメラ・ビデオ分析とし、冗長で処理量の多いタスクを避ける新しい手法を開発した。
Argusは最先端と比較してオブジェクトの識別とエンドツーエンドのレイテンシを最大7.13倍と2.19倍に削減する。
論文 参考訳（メタデータ） (2024-01-25T12:27:03Z) - Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。
本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。
本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
論文 参考訳（メタデータ） (2022-04-27T13:10:48Z) - Scalable and Real-time Multi-Camera Vehicle Detection,
Re-Identification, and Tracking [58.95210121654722]
理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。
私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
論文 参考訳（メタデータ） (2022-04-15T12:47:01Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2022-04-10T19:16:58Z) - Graph Neural Networks for Cross-Camera Data Association [3.490148531239259]
多くのマルチカメラコンピュータビジョンタスクには、クロスカメラ画像データアソシエーションが不可欠である。
本稿では,グローバルソリューションに着目したクロスカメラデータアソシエーションのための効率的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-17T09:52:39Z) - Cross-Camera Feature Prediction for Intra-Camera Supervised Person
Re-identification across Distant Scenes [70.30052164401178]
人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。
ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。
カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法
グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
論文 参考訳（メタデータ） (2021-07-29T11:27:50Z) - Personal Privacy Protection via Irrelevant Faces Tracking and Pixelation
in Video Live Streaming [61.145467627057194]
我々は、ビデオライブストリーミングにおいて、自動プライバシーフィルタリングを生成するためのFace Pixelationと呼ばれる新しい方法を開発した。
無関係な人々の顔の高速かつ正確なピクセル化のために、FPVLSは2つのコアステージのフレームツービデオ構造で構成されています。
収集したビデオライブストリーミングデータセットにおいて、FPVLSは満足度の高い精度、リアルタイム効率を取得し、オーバーピクセル問題を含む。
論文 参考訳（メタデータ） (2021-01-04T16:18:26Z) - Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video
Super-Resolution [95.26202278535543]
単純な解決策は、ビデオフレーム(VFI)とビデオ超解像(VSR)の2つのサブタスクに分割することである。
時間合成と空間超解像はこの課題に関係している。
LFR,LRビデオからHRスローモーション映像を直接合成するワンステージ時空間ビデオ超解像フレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-26T16:59:48Z) - CONVINCE: Collaborative Cross-Camera Video Analytics at the Edge [1.5469452301122173]
本稿では,カメラ間の協調的なビデオ分析パイプラインを実現するため,カメラを集合体として見るための新しいアプローチであるCONVINCEを紹介する。
以上の結果から, CONVINCEは記録フレームの約25%を送信し, オブジェクト識別精度が$sim$91%であることを示す。
論文 参考訳（メタデータ） (2020-02-05T23:55:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。