改进了STNNet,这是使用无人机检测,跟踪和计数人群的基准
Mohd Nazeer1, Kanhaiya Sharma2, S Sathappan1
1Vidya Jyothi Institute of Technology, Hyderabad, 500075, India.
MethodsX
|July 29, 2024
概括
本研究介绍了改进的时空邻居意识网络 (STNNet),这是一个在拥挤场景中进行在线多对象跟踪 (MOT) 的先进框架. 它使用深度强化学习来增强对象关联和跟踪精度,优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 在拥挤的场景中,多对象跟踪 (MOT) 由于噪音检测和标签不一致而具有挑战性.
- 现有的方法在动态环境中与对象的诞生/死亡以及出现/消失作斗争.
研究的目的:
- 在拥挤的场景中开发在线MOT的先进框架.
- 通过使用深度强化学习来改善对象关联和标签在框架中的一致性.
主要方法:
- 引入了改进的时空邻居意识网络 (STNNet),增强了基本的STNNet架构.
- 将在线MOT作为马尔科夫决策过程 (MDP) 框架,以学习最佳的数据关联政策.
- 集成的深度强化学习,用于复杂情景中的精细决策.
主要成果:
- 改进的STNNet在基准数据集上表现出卓越的表现,包括MOT挑战.
- 该框架有效地处理对象的出生/死亡和出现/消失的过渡.
- 在苛刻,拥挤的跟踪场景中,超越现有方法的性能.
结论:
- 改进的STNNet为拥挤环境中的在线MOT提供了有效的解决方案.
- 深度强化学习集成显著提高了跟踪的准确性和稳定性.
- 这项工作促进了公共安全和自主系统的实时视频分析.


