斯坦福新深度学习系统 NoScope：视频对象检测快1000倍

斯坦福大学的新研究构建一个名为 NoScope 的深度学习视频对象检测系统，利用视频的局部性对 CNN 模型进行优化，相比当前性能最好的 YOLOv2 或 Faster R-CNN 速度加快了1000倍，同时仍保持高精度。这一系统在安防、交通等领域有着巨大的应用价值和潜力。

视频数据正在爆炸性地增长——仅英国就有超过400万个CCTV监控摄像头，用户每分钟上传到 YouTube 上的视频超过300小时。深度学习的最新进展已经能够自动分析这些海量的视频数据，让我们得以检索到感兴趣的事物，检测到异常和异常事件，以及筛选出不会有人看的视频的生命周期。但是，这些深度学习方法在计算上是非常昂贵的：当前 state-of-the-art 的目标检测方法是在最先进的NVIDIA P100 GPU上以每秒10-80帧的速度运行的。这对单个视频来说还好，但对于大规模实际部署的视频来说，这是难以维持的。具体来说，假如用这样的方法来实时分析英国所有的CCTV监控视频，仅在硬件上就得花费超过50亿美元。

为了解决视频增长速度与分析成本之间的巨大差距，我们构建了一个名为 NoScope 的系统，与目前的方法相比，它处理视频内容的速度要快数千倍。我们的主要想法是，视频是高度冗余的，包含大量的时间局部性（即时间上的相似性）和空间局部性（即场景中的相似性）。为了利用这种局部性，我们设计了用于高效处理视频输入任务的 NoScope。通过利用一系列利用视频局部性的优化，显著降低了在每个帧上的计算量，同时仍保持常规检索的高精度。

本文将介绍NoScope优化的一个示例，并描述NoScope如何在模型级联中端到端地堆叠它们，以获得倍增的加速——在现实部署的网络摄像机上可提速1000倍。

一个典型例子

试想一下，我们想检索下面的监控摄像头拍摄的视频，以确定公交车在什么时候经过台北的某个交叉路口（例如，用于交通分析）：

台北某个交叉路口的两个视频片段

那么，当前最好的视觉模型是如何处理这个问题的呢？我们可以运行 YOLOv2 或Faster R-CNN 之类的用于对象检测的卷积神经网络（CNN），通过在视频的每个帧上运行CNN来检测公交车：

使用YOLOv2标记的交叉路口片段

这种方法工作得很好，尤其是如果我们使视频中出现的标签流畅的话，那么问题出现在哪里呢？就是这些模型非常昂贵。这些模型的运行速度是每秒10-80帧，这对监控单个视频输入来说还好，但如果要处理上千个视频输入的话，效果并不好。

机会：视频中的局部性

为了提高检索的效率，我们应该看视频内容本身的性质。具体来说，视频的内容是非常冗余性的。让我们回到台北的街道监控视频，看一下以下一些出现公交车的帧：

从这个视频影像的角度看，这些公交车看起来是非常相似的，我们称这种局部（locality）形式为场景特定的局部性（scene-specific locality），因为在视频影像中，对象之间看起来并没有很大的不同（例如，与另一个角度的摄像头相比）。

此外，从这个监控视频中，很容易看出，即使公交车正在移动，每一个帧之间都没有太大的变化：

我们将这种特征称为时间局部性（temporal locality），因为时间点附近的帧看起来相似，并且包含相似的内容。

NoScope：利用局部性

为了利用上面观察到的特征，我们构建了一个名为 NoScope 的检索引擎，可以大大加快视频分析检索的速度。给定一个视频输入（或一组输入），一个（或一组）要检测的对象（例如，“在台北的监控视频影像中查找包含公交车的帧”），以及一个目标CNN（例如，YOLOv2），NoScope 输出的帧与YOLOv2的一致。但是NoScope 比输入CNN要快许多：它可以在可能的时候运行一系列利用局部性的更便宜的模型，而不是简单地运行成本更高的目标CNN。下面，我们描述了两类成本较低的模型：专门针对给定的视频内容（feed）和要检测的对象（以利用场景特定局部性）的模型，以及检测差异（以利用时间局部性）的模型。

这些模型端到端地堆叠，比原来的CNN要快1000倍。

利用场景特定局部性

NoScope 使用专用模型来利用场景特定局部性，或训练来从特定视频内容的角度检测特定对象的快速模型。如今的CNN已经能够识别各种各样的物体，例如猫、滑雪板、马桶等等。但在我们的检测台北地区的公交车的任务上，我们不需要关心猫、滑雪板或马桶。相反，我们可以训练一个只能从特定角度的监控视频检测公交车的模型。

举个例子，下面的图像是MS-COCO数据集中的一些样本，也是我们在检测中不需要关心的对象。

MS-COCO数据集中没有出现公交车的3个样本

MS-COCO数据集中出现公交车的2个样本

NoScope 的专用模型也是CNN，但它们比通用的对象检测CNN更简单（更浅）。这有什么作用呢？与YOLOv2的每秒80帧相比，NoScope的专用模型每秒可以运行超过15000帧。我们可以将这些模型作为原始CNN的替代。

使用差异检测器来利用时间局部性

NoScope 使用差异检测器（difference detector）或设计来检测对象变化的快速模型来利用时间局部性。在许多视频中，标签（例如“有公交车”，“无公交车”）的变化比帧的变化少很多（例如，一辆公交车出现在帧中长达5秒，而模型以每秒30帧的速度运行）。为了说明，下面是两个都是150帧长度的视频，但标签并不是在每个视频中都有变化。

每个视频都是150帧，标签一样，但下边的视频没变过！

相比之下，现在的对象检测模型是逐帧地运行的，与帧之间的实际变化无关。这样设计的原因是，像YOLOv2这样的模型是用静态图像训练的，因此它将视频视为一系列的图像。因为NoScope可以访问特定的视频流，因此它可以训练差异检测模型，这些模型对时间依赖性敏感。NoScope的差异检测器目前是使用逐帧计算的逻辑回归模型实现的。这些检测器在CPU上的运行速度非常快，每秒超过10万帧。想专用模型一样，NoScope可以运行这些差异检测器，而不是调用昂贵的CNN。

把这些模型放到一起

NoScope将专用模型和差异检测器结合在一起，堆叠在一个级联中，或堆叠在使计算简化的一系列模型。如果差异检测器没有发生任何变化，那么NoScope会丢弃这一帧。如果专用模型对其标签有信心，那么NoScope会输出这个标签。而且，如果面对特别棘手的框架，NoScope 可以随时返回到完整的CNN。

为了设置这个级联（cascade）以及每个模型的置信度，NoScope提供了可以在精度和 速度之间折衷的优化器。如果想更快地执行，NoScope将通过端到端级联传递更少的帧。如果想得到更准确的结果，NoSceop 则将提高分类决定的简化阈值。如下图所示，最终结果实现了比当前方法快10000倍的加速。

上图是NoScope的系统图示；下图显示了在一个有代表性的视频中速度和准确度的相关性。

差异检测器和专用模型都有助于这一结果。我们先是只使用YOLOv2进行因素分析，然后将每个类型的快速模型添加到级联中。两者都是为了实现最大话性能所必需的。

NoScope系统的因素分析

总结NoScope的级联车辆，优化器先在一个特定视频流中运行较慢的参考模型（YOLOv2，Faster R-CNN等），以获取标签。给定这些标签，NoScope训练一组专用模型和差异检测器，并使用一个holdout set来选择使用哪个特定模型或差异检测器。最后，NoScope的优化器将训练好的模型串联起来，可以在优化模型不确定是调用原始的模型。

结论总结而言，视频数据非常丰富，但使用现代神经网络进行检索的速度非常慢。在NoScope中，我们利用时间局部性，将视频专用管道中差异检测和专用CNN相结合，视频检索速度比普通CNN检索提高了1000倍。也就是说，每秒处理的视频帧数超过8000帧。我们将继续改进NoScope来支持多类分类，非固定角度监控视频，以及更复杂的检索。