ECCO — 카메라 간 상관관계를 활용한 효율적인 실시간 비디오 연속 학습

초록

ECCO는 인접 카메라들의 데이터 드리프트가 시간·공간적으로 유사함을 이용해 카메라를 그룹화하고, 그룹당 하나의 모델을 공동 재학습함으로써 GPU와 대역폭 사용을 크게 절감한다. 경량 그룹화 알고리즘, 공정한 GPU 할당기, 그리고 GPU 비율에 맞춘 전송 제어기를 결합해 동일 자원 하에서 6.7 %~18.1 %의 정확도 향상을 달성하거나, 동일 정확도를 유지하면서 3.3배 더 많은 카메라를 지원한다.

상세 분석

ECCO는 기존의 “카메라당 독립 재학습” 방식이 안고 있는 선형적인 GPU·통신 비용 문제를 근본적으로 재구성한다. 핵심 아이디어는 데이터 드리프트가 지리적·시간적으로 상관관계를 가질 때, 여러 카메라가 동일한 분포 변화를 겪는다는 점이다. 이를 기반으로 ECCO는 (1) 메타데이터(드리프트 시점, 위치)와 초기 정확도 향상 예측을 활용해 저비용으로 후보 카메라를 좁힌 뒤, 실제 정확도 향상량을 평가해 동적으로 그룹을 형성한다. 그룹은 재학습 윈도우마다 재조정되며, 드리프트가 변하면 자동으로 탈퇴·가입이 이루어진다.

GPU 할당은 기존의 전체 정확도 최적화 방식이 큰 그룹에 편향되는 문제를 해결하기 위해, 각 그룹의 현재 정확도와 추가 GPU 투입 시 기대되는 정확도 상승률을 동시에 고려한다. 목표 함수는 “시스템 전체 정확도·공정성”을 가중합 형태로 정의하고, 최소 정확도 보장을 위한 제약을 포함한다. 이를 통해 작은 그룹도 과소 할당되지 않으며, 전체 시스템은 평균 정확도와 그룹 간 격차를 동시에 최소화한다.

전송 제어기는 그룹에 할당된 GPU 비율에 맞춰 프레임 샘플링(프레임 레이트·해상도)과 전송 속도를 조절한다. GAIMD(Generalized AIMD) 기반 혼합 혼잡 제어 알고리즘을 도입해, 각 카메라 흐름이 GPU 비율에 비례한 대역폭을 차지하도록 하면서도 네트워크 혼잡 상황에서 급격한 폭주를 방지한다. 결과적으로 동일 GPU 예산 하에서 필요한 전송량을 25 %~33 % 수준으로 줄이면서도 정확도 손실을 최소한다.

실험은 WILDLTRACK(정적 카메라), MDOT(드론 이동 카메라) 등 세 가지 데이터셋에 대해 객체 검출과 인스턴스 분할 두 작업을 수행했다. ECCO는 베이스라인(독립 재학습, 기존 GPU 스케줄러) 대비 mAP 향상이 검출 6.7 %~16.6 %, 분할 9.3 %~18.1 %였으며, 동일 정확도 조건에서 지원 가능한 카메라 수를 3.3배 확대했다. 또한 GPU 할당기의 공정성 지표(그룹 간 정확도 차이)와 전송 제어기의 대역폭 효율성을 정량적으로 입증했다. 저대역폭 상황에서는 재학습 지연이 5배 이상 감소하는 등, 실시간 응답성에서도 큰 이점을 보였다. 전체적으로 ECCO는 “그룹 재학습”이라는 새로운 패러다임을 제시하며, 대규모 엣지 비디오 분석 시스템에서 비용·성능 트레이드오프를 크게 개선한다.