NoScope是斯坦福大学提出的视频目标检测系统，通过跳帧和轻量级CNN模型提升检测速度上千倍，降低了视频分析的成本。该系统包含模型专业化、差异检测和基于代价的模型选择三个部分，旨在利用视频的时间和空间局部性优化检测效率。实验结果显示，NoScope相比于通用CNN有显著的性能提升。
一.提出背景
在基于CNN的方法提升到一个很高的准确度之后，效率又成为人们所关注的话题，目前兼备准确度和效率的方法包括 SSD、YOLO v2，其检测效率通常能到达 30-100FPS，而这里面的代价就是上万块的显卡，这个代价是相当高的。当下视频获取设备（CCTV摄像头）成本通常是几百块，而采用上述分类算法，其成本可能是几千，这就是视频获取和视频分析之间的巨大鸿沟。
基于此，斯坦福大学提出了一种系统 NoScope，将视频分析的速度提升上千倍，我们接下来就看看这个牛逼吹的很大的系统到底是什么？
论文：NoScope: Optimizing Neural Network Queries over Video at Scale 【点击下载】
TensorFlow代码：【Github】
核心思想：由于视频目标是连续的，里面包含了大量时间局部性（temporal locality，即在不同的时间是相似的）和空间局部性（spatial locality，即在不同场景中看起来是相似的）。通过以下两点来进行优化：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
