Learn to Compress (LtC): Efficient Learning-based Streaming Video Analytics
Notice bibliographique
Résumé
Video analytics are often performed as cloud services in edge settings, primarily to offload computation and also in situations where the results are not directly consumed at the video source. Sending high-quality video data from end devices can be expensive in terms of both bandwidth and power use. To build a streaming video analytics pipeline that makes efficient use of these resources, it is imperative to reduce the size of the video streams. Traditional video compression algorithms are unaware of the semantics of the video, and can be both inefficient and harmful to the analytics performance. In this paper, we introduce LtC, a collaborative framework between the video source and the analytics server that efficiently learns to reduce the video streams within an analytics pipeline. Specifically, LtC uses the full-size video analytics algorithm at the server as a teacher to train a lightweight student neural network, which is then deployed at the video source. The student network is trained to capture the semantic significance of different regions within a video, which is used to selectively preserve the crucial regions in high quality while aggressively compressing the remaining regions. Furthermore, LtC incorporates a novel temporal filtering algorithm based on feature differencing to omit transmitting frames that do not contribute new information. Overall, LtC reduces bandwidth usage by 28-35% and attains a response delay that is up to 45% shorter than current state-of-the-art methods, while maintaining comparable analytics performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».