APT：基于自适应感知质量、利用强化学习的摄像机调参
计算机视觉与模式识别
2022-11-17 v1
摘要
摄像机正日益部署于全球的城市、企业与道路，以支撑公共安全、智能交通、零售、医疗与制造中的诸多应用。通常，在摄像机初始部署后，其周边环境条件和场景会发生变化，我们的实验表明此类变化会对视频分析所得洞察的准确性产生不利影响。这是因为摄像机参数设置虽然在部署时最优，但随着运行期间环境条件和场景的变化，并非良好视频采集的最佳设置。采集低质量视频会损害分析准确性。为缓解洞察准确性的损失，我们提出一种新颖的、基于强化学习的系统 APT，其通过 5G 网络动态且远程地调节摄像机参数，以确保高质量视频采集，从而缓解视频分析准确性的任何损失。因此，当环境条件或场景内容变化时，此类调参可恢复洞察准确性。APT 使用强化学习，以无参考感知质量估计作为奖励函数。我们开展了广泛的真实世界实验，同时并排部署两台摄像机俯瞰某企业停车场（一台仅采用厂商建议默认设置，另一台在运行期间由 APT 动态调参）。实验表明，得益于 APT 的动态调参，分析洞察在全天各时段均持续更优：目标检测视频分析应用的准确性平均提升约 42%。由于奖励函数独立于任何分析任务，APT 可轻易用于不同视频分析任务。
引用
@article{arxiv.2211.08504,
title = {APT: Adaptive Perceptual quality based camera Tuning using reinforcement learning},
author = {Sibendu Paul and Kunal Rao and Giuseppe Coviello and Murugan Sankaradas and Oliver Po and Y. Charlie Hu and Srimat Chakradhar},
journal= {arXiv preprint arXiv:2211.08504},
year = {2022}
}