In recent years, edge video analytics (VA) has emerged as a technology that attracts attention. Recent researches have reported the data drift issue in edge video analytics. Continuous retraining with acquired new data has been suggested as a solution to the data drift issue. Despite its need, there hasn’t been a retrainable system for an edge computing environment with low communication cost and practical retrain time. We propose an efficient split retraining scheme for edge video analytics that can improve accuracy by selecting the best split point and retraining the partial model in the edge server. We evaluated and compared our scheme with other baselines as a proof-of-concept. While keeping inference time limit, our scheme shows better retrain accuracy, and at best, its retrain accuracy growth is 1.96%p higher than baseline.
엣지 비디오 분석의 최신 연구동향은 데이터 드리프트로 인한 정확도 감소를 방지하는 엣지에서 획득한 새 데이터를 이용한 지속 재학습에 주목하고 있다. 통신 비용이 낮고 실질적인 범주의 재학습 시간이 걸리는 엣지 분할 컴퓨팅 환경을 위한 재학습 시스템이 그 필요성에도 불구하고 존재하지 않았다. 본 연구는 최적의
분할 지점을 선택하고 부분적 모델을 엣지 서버에서 재학습하여 효율적으로 정확도를 향상시킬 수 있는 분할 재학습 기법을 제안한다. 실험을 통하여 본 기법을 평가하고 기존 기법들과 비교한 결과, 본 기법은 추론 시간 제한을 유지하면서도 타 기법들보다 더 나은 재훈련 정확도를 보여주며, 재훈련 정확도 증가율이 최대 1.96%p 높은 나온 것으로 측정되었다.
