基于强化学习的室内场景深度观测最优相机布置
计算机视觉与模式识别
2021-10-22 v1 机器学习
摘要
在使用多相机的任务中，探索最利于任务的相机设置——即最优相机布置（OCP）问题——具有重要意义。然而，现有OCP方案很少专门针对室内场景的深度观测，且多数通用方案为离线工作。针对该问题，本文提出一种基于强化学习的室内场景深度观测OCP在线方案。该方案包含一个利用阴影贴图实现场景观测与奖励估计的仿真环境，以及一个由基于软 actor-critic（SAC）的强化学习主干网络和逐层从观测点云中提取特征的特征提取器组成的智能体网络。与两种最先进的基于优化的离线方法进行了对比实验。实验结果表明，所提系统在十个测试场景中有七个场景获得更低的深度观测误差。所有测试场景中的总误差也小于基线方法的90%。因此，在缺乏场景先验知识或以较低深度观测误差为主要目标的场景中，所提系统更能胜任深度相机布置任务。
引用
@article{arxiv.2110.11106,
title = {Reinforcement Learning Based Optimal Camera Placement for Depth Observation of Indoor Scenes},
author = {Yichuan Chen and Manabu Tsukada and Hiroshi Esaki},
journal= {arXiv preprint arXiv:2110.11106},
year = {2021}
}
备注
Accepted to IEEE International Conference on Networking, Sensing and Control (ICNSC) 2021