TAHOMA：Physical Representation-based Predicate Optimization for a Visual Analytics Database，IEEE2019

应用场景：
主要关注在推理之前加载和准备数据的成本，但目的是减少DNN执行成本
（1）在这种情况下，大量历史图像数据归档储存在本地驱动器上。每个图像都必须首先从硬盘中加载，然后转换为分类器的适当输入格式。
（2）视频从其源头不断地摄取到一个基于数据中心的查询系统中，在这里，视频被转化为适当的表示形式，存储在SSD上，供以后查询。由于这些数据是在获取时进行转换的，所以在查询时只考虑从磁盘加载表示的成本。
（3）如果计算节点在网络的边缘(例如，连接到监控摄像头)，图像可以直接提供给分类器。因为从摄像机到内存的传输成本可以忽略不计，因此只考虑图像转换成本。

解决的问题：
图像分类
将基于内容的查询限制为二分类查询

Baseline：
Resnet50分类器、NoScope

描述：
通过分类器级联，优化数据处理成本并加快分析处理的速度。

Example：
假如有两个图像分类模型M1和M2
M1：接收3通道全彩色224224图像作为输入，卷积层较少 ——>推理更快
M2：接收1通道灰度224224图像作为输入，附加卷积层 ——> 精度高

Motivation：
深度神经网络在分析数据库系统部署时,会带来相当大的计算挑战：一个模型对单幅图像的推理可能需要一系列冗长的大张量乘法ÿ