BlazeIt

Avanços recentes em redes neurais (NNs) possibilitaram a consulta automática de grandes volumes de dados de vídeo com alta precisão. Embora essas NNs profundas possam produzir anotações precisas da posição e tipo de um objeto em vídeo, elas são computacionalmente caras e requerem código de implantação complexo e imperativo para responder a consultas. Trabalhos anteriores utilizam filtragem aproximada para reduzir o custo da análise de vídeo, mas não lidam com duas classes importantes de consultas, consultas de agregação e limites; além disso, essas abordagens ainda exigem código complexo para implantação. Para enfrentar os desafios computacionais e de usabilidade de consultar vídeos em grande escala, apresentamos o BlazeIt, um sistema que otimiza consultas de informações espaço-temporais de objetos em vídeo. BlazeIt aceita consultas via FrameQL, uma extensão declarativa do SQL para análise de vídeo que permite otimização específica de consultas para vídeo. Introduzimos duas novas técnicas de otimização de consultas no BlazeIt que não são suportadas por trabalhos anteriores. Primeiro, desenvolvemos métodos de usar NNs como variáveis de controle para responder rapidamente a consultas de agregação aproximada com limites de erro. Em segundo lugar, apresentamos um novo algoritmo de busca para consultas de vídeo com limite de cardinalidade. Através dessas otimizações, o BlazeIt pode oferecer até 83 vezes mais rapidez em relação à literatura recente sobre processamento de vídeo.