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。