基于在线输出驱动的配置选择机制，以及适用于实时视频流的自适应分组技术

《IEEE Transactions on Mobile Computing》：Online Outcome-Driven Configuration Selection With Adaptive Grouping for Live Video Streams

　　

摘要：

在智能视频分析中，优化实时视频流配置（如分辨率）对于平衡推理准确性和比特率至关重要，从而减少数据量并节省网络资源。现有系统主要依赖离线或周期性策略，使用历史数据来确定最佳配置。然而，这些方法在管理比特率方面可能存在不足，因为比特率对视频内容的动态变化非常敏感，而从实时调整中可以获得好处。为了解决这些限制，我们提出了 O2 MEGA（在线结果驱动的组配置适应）框架。基于独特的实验观察，O2 MEGA 通过直接利用编码视频流的实时在线比特率结果，以“结果驱动”的方式调整配置。这种方法允许将结果反馈高效且轻量地集成到配置决策中，而不会产生可能抵消适应效果的重大分析开销。此外，O2 MEGA 引入了一种双重分组机制，实现了跨相机在配置共享上的协作，加快了密集部署的相机网络中的配置选择速度。与仅依赖于时空相关性的现有方法不同，我们的框架根据实时结果反馈对相机进行分组，从而在线自适应地优化组级性能。我们提供了理论保证，以确保框架的可解释性和有效性。在配备四个 NVIDIA 开发套件的测试床上进行的实验结果表明，在四种典型视觉查询下，与现有技术相比，准确率提高了高达 6.8%，数据量减少了 13.2%。