論文の概要: BiSwift: Bandwidth Orchestrator for Multi-Stream Video Analytics on Edge

• arxiv url: http://arxiv.org/abs/2312.15740v2
• Date: Sun, 4 Feb 2024 12:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 03:30:46.957575
• Title: BiSwift: Bandwidth Orchestrator for Multi-Stream Video Analytics on Edge
• Title（参考訳）: BiSwift: Edge上のマルチストリームビデオ分析のためのバンド幅オーケストレータ
• Authors: Lin Sun, Weijun Wang, Tingting Yuan, Liang Mi, Haipeng Dai, Yunxin Liu, Xiaoming Fu
• Abstract要約: BiSwiftは、マルチレベルパイプラインと統合された新しい適応型ハイブリッドによって、同時リアルタイムビデオ分析をスケールする、双方向フレームワークである。 BiSwiftは10%$sim$21%の精度を改善し、最先端のビデオ分析パイプラインと比較して1.2$sim$9$times$スループットを提供する。
• 参考スコア（独自算出の注目度）: 26.76319718831835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-definition (HD) cameras for surveillance and road traffic have experienced tremendous growth, demanding intensive computation resources for real-time analytics. Recently, offloading frames from the front-end device to the back-end edge server has shown great promise. In multi-stream competitive environments, efficient bandwidth management and proper scheduling are crucial to ensure both high inference accuracy and high throughput. To achieve this goal, we propose BiSwift, a bi-level framework that scales the concurrent real-time video analytics by a novel adaptive hybrid codec integrated with multi-level pipelines, and a global bandwidth controller for multiple video streams. The lower-level front-back-end collaborative mechanism (called adaptive hybrid codec) locally optimizes the accuracy and accelerates end-to-end video analytics for a single stream. The upper-level scheduler aims to accuracy fairness among multiple streams via the global bandwidth controller. The evaluation of BiSwift shows that BiSwift is able to real-time object detection on 9 streams with an edge device only equipped with an NVIDIA RTX3070 (8G) GPU. BiSwift improves 10%$\sim$21% accuracy and presents 1.2$\sim$9$\times$ throughput compared with the state-of-the-art video analytics pipelines.
• Abstract（参考訳）: 監視と道路交通のための高精細(HD)カメラは、リアルタイム分析のための集中的な計算資源を必要としている。 近年,フロントエンドデバイスからバックエンドエッジサーバへのフレームのオフロードは,大きな可能性を秘めている。 マルチストリーム競合環境では、高い推論精度と高いスループットを確保するために、効率的な帯域管理と適切なスケジューリングが不可欠である。 この目的を達成するために、マルチレベルパイプラインと統合された適応型ハイブリッドコーデックによる同時リアルタイムビデオ分析をスケールするバイレベルフレームワークBiSwiftと、複数のビデオストリームのためのグローバル帯域幅コントローラを提案する。 低レベルのフロントエンド-バックエンド協調機構(adaptive hybrid codecと呼ばれる)は、精度をローカルに最適化し、ひとつのストリームに対するエンドツーエンドのビデオ分析を高速化する。 上位レベルのスケジューラは、グローバル帯域幅コントローラを介して複数のストリーム間の公平性を正確にすることを目的としている。 BiSwiftの評価は、NVIDIA RTX3070 (8G) GPUのみを備えたエッジデバイスで、9ストリームでリアルタイムのオブジェクト検出が可能であることを示している。 BiSwiftは10%$\sim$21%の精度を改善し、最先端のビデオ分析パイプラインと比較して1.2$\sim$9$\times$スループットを提供する。

関連論文リスト

• Arena: A Patch-of-Interest ViT Inference Acceleration System for Edge-Assisted Video Analytics [18.042752812489276]
  視覚変換器(ViT)を用いたエッジ・ツー・エンドビデオ推論高速化システムを提案する。 その結果、Arenaは平均で1.58(時間)と1.82(時間)の推論速度を向上でき、それぞれ帯域幅の47%と31%しか消費していないことがわかった。
  論文  参考訳（メタデータ） (2024-04-14T13:14:13Z)
• 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)
• ReBotNet: Fast Real-time Video Enhancement [59.08038313427057]
  ほとんどの復元ネットワークは遅く、高い計算ボトルネックがあり、リアルタイムビデオ拡張には使用できない。 本研究では,ライブビデオ通話やビデオストリームなどの実用的なユースケースをリアルタイムに拡張するための,効率的かつ高速なフレームワークを設計する。 提案手法を評価するために,実世界のビデオ通話とストリーミングのシナリオを示す2つの新しいデータセットをエミュレートし,ReBotNetがより少ない計算,メモリ要求の低減,より高速な推論時間で既存手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-23T17:58:05Z)
• RTFormer: Efficient Design for Real-Time Semantic Segmentation with Transformer [63.25665813125223]
  本稿では,リアルタイムセマンティックセグメンテーションのための効率的なデュアルレゾリューション変換器RTFormerを提案する。 CNNベースのモデルよりもパフォーマンスと効率のトレードオフが優れている。 主要なベンチマーク実験では,提案したRTFormerの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-13T16:03:53Z)
• AccMPEG: Optimizing Video Encoding for Video Analytics [3.014067621172247]
  本稿では,3つの要件をすべて満たした新しいビデオエンコーディングおよびストリーミングシステムであるAccについて述べる。 Accは、最先端のベースラインと比較して精度を損なうことなく、エンドツーエンドの推論遅延を10～43%削減できることを示す。
  論文  参考訳（メタデータ） (2022-04-26T18:42:07Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• ApproxDet: Content and Contention-Aware Approximate Object Detection for Mobiles [19.41234144545467]
  本稿では,モバイル機器用適応型ビデオオブジェクト検出フレームワークであるApproxDetを紹介する。 大規模なベンチマークビデオデータセット上でApproxDetを評価し,AdaScaleやYOLOv3と比較した。 ApproxDetは、幅広いコンテントやコンテンツの特徴に適応し、すべてのベースラインを誇張することができる。
  論文  参考訳（メタデータ） (2020-10-21T04:11:05Z)
• Fast Video Object Segmentation With Temporal Aggregation Network and Dynamic Template Matching [67.02962970820505]
  ビデオオブジェクト(VOS)に「トラッキング・バイ・検出」を導入する。 本稿では,時間的アグリゲーションネットワークと動的時間進化テンプレートマッチング機構を提案する。 我々は,DAVISベンチマークで1フレームあたり0.14秒,J&Fで75.9%の速度で,複雑なベルとホイッスルを伴わずに,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-11T05:44:16Z)
• BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation [118.46210049742993]
  バイラテラル空間ネットワーク(BiSeNet V2)と呼ばれる,速度と精度のトレードオフが良好である効率的なアーキテクチャを提案する。 2,048x1の入力に対して、我々はCityscapesテストセットで72.6%の平均IoUを1つのNVIDIA GeForce 1080 Tiカードで156 FPSで達成した。
  論文  参考訳（メタデータ） (2020-04-05T10:26:38Z)
• Efficient Video Semantic Segmentation with Labels Propagation and Refinement [138.55845680523908]
  本稿では,ハイブリッドGPU/CPUを用いた高精細ビデオのリアルタイムセマンティックセマンティックセマンティック化の問題に取り組む。 i) CPU上では、非常に高速な光フロー法であり、ビデオの時間的側面を利用して、あるフレームから次のフレームへ意味情報を伝達するために使用される。 高解像度フレーム(2048 x 1024)を持つ一般的なCityscapesデータセットでは、単一のGPUとCPU上で80から1000Hzの動作ポイントが提案されている。
  論文  参考訳（メタデータ） (2019-12-26T11:45:15Z)

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。