SysML 2019 已於 3 月 31 日-4 月 2 日在史丹佛成功舉辦，本文將解讀兩篇在高效影片分析方面的研究。
系統與機器學習會議（SysML）是一個非常新的會議（始於 2018 年），針對的是系統與機器學習的交叉領域。該會議的目標是引出這些領域之間的新聯絡，包括確定學習系統的最佳實踐和設計原理，以及為實際機器學習工作流程開發全新的學習方法和理論。
前言
隨著影片攝像頭的日益普及，影片分析也吸引到了很多研究關注。因為目標檢測和語義分割等大多數計算機視覺任務都需要密集的計算，所以有必要設計出在軟體開發和硬體實現方面都高效的系統。下面介紹兩篇遵循這些思想解決影片分析問題的論文。
第一篇論文提出了 Filter-Forward，這是一種新的邊緣計算到雲端計算（edge-to-cloud）系統，能透過安裝僅回傳相關影片幀的輕量級邊緣濾波器讓基於資料中心的應用有能力處理數千個攝像頭的內容。第二篇論文提出了 FixyNN，其包含一個用於生成通用的 CNN 特徵的固定權重的特徵提取器，還有一個用於處理特定資料集的 CNN 的典型的可程式設計 CNN 加速器。
宣告：本文的所有圖片和公式都來自於原論文。
論文1：Scaling Video Analytics on Constrained Edge Nodes
引言
為了有效實現交通流量監控和行人檢測等應用，需要解決兩個問題：影片流是廣角的且相關資料稀少，而資料中心需要高解析度影片流來進一步處理。在這篇論文中，研究者設計了一個名為 FilterForward（FF）的系統，能為廣域影片處理提供邊緣計算和基於資料中心的方法的雙重優勢。FilterForward 引入了快速且表現力強的每應用（比如「向我傳送包含狗的序列」）「微分類器」（MC）來識別與資料中心應用最相關的影片序列（過濾）並僅將匹配的事件傳輸給資料中心以便進一步分析（轉發）。