一种用于摄像机网络中目标跟踪的强化学习方法
计算机视觉与模式识别
2018-12-04 v2
摘要
摄像机网络中的目标跟踪是监控与场景理解的一项重要任务。由于不同摄像机间视场不相交且光照变化，该任务具有挑战性。在此方向上，许多基于图的方法利用基于外观的特征被提出。然而，在不同摄像机视场（FOV）的高光照变化下，外观信息会衰减。我们在本文中使用空间与时间信息作为目标的状态，以学习在给定当前状态下预测下一台摄像机的策略。该策略使用 Q-learning 训练，且不假设任何关于摄像机网络拓扑的信息。我们将展示该策略学习到了摄像机网络拓扑。我们在 NLPR MCT 数据集上展示了所提方法的性能。
引用
@article{arxiv.1807.10336,
title = {A Reinforcement Learning Approach to Target Tracking in a Camera Network},
author = {Anil Sharma and Prabhat Kumar and Saket Anand and Sanjit K. Kaul},
journal= {arXiv preprint arXiv:1807.10336},
year = {2018}
}
备注
The current version has a fault in the experiments section so we would like to withdraw the paper