지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.8
- 수록면
- 969 - 981 (13page)
- DOI
- 10.9717/kmms.2024.27.8.969
이용수
초록· 키워드
오류제보하기
Object tracking models are multi-functional algorithms that are applied in many fields of uncertain environment tracking situations. In addition, object tracking in physical environments and conditions is a much more difficult task to obtain accurate results. However, the process can be tested by evaluating and verifying the performance of the model in various simulation conditions by experimenting with a virtual simulator. In this paper, we propose a visual object tracking algorithm based on DQN and TensorFlow agents using deep reinforcement learning. TensorFlow agents are trained in the Blocks environment to adapt to the environment and existing objects in the simulation environment, and further tests and evaluations are performed on the accuracy and speed of tracking. The DQN algorithm uses a deep reinforcement learning model to investigate the environment in a virtual simulation environment using sequential photos of the virtual environment simulation model. The proposed DQN and Tensor Flow agent-based process and the deep reinforcement learning-based object tracker are tested and compared with existing methods, and the results show that the proposed DQN and TensorFlow agentbased process is superior in terms of stability, speed, and numerical performance.
목차
ABSTRACT
1. 서론
2. 관련 연구
3. 제안한 방법
4. 실험 결과 및 고찰
5. 결론
REFERENCE
참고문헌 (15)
참고문헌 신청
Y. Zhang, C. Wang, X. Wang, W. Zeng, and W. Liu, “FairMOT: On the Fairness of Detection and Re-identification in Multiple Object Tracking,” International Journal of Computer Vision, Vol. 129, Issue 11, pp. 3069-3087, 2021.
L. Bertinetto, J. Valmadre, J.F. Henriques, A. Vedaldi, and P.H. Torr, “Fully-Convolutional Siamese Networks for Object Tracking,” Proceeding of European Conference on Computer Vision, pp. 850-865, 2016.
X. Farhodov, O.-H. Kwon, K.-S. Moon, O.-J. Kwon, S.-H. Lee,, and K.-R. Kwon, “A New CSR-DCF Tracking Algorithm Based on Faster RCNN Detection Model and CSRT Tracker for Drone Data,” Journal of Korea Multimedia Society, Vol. 22, No. 12, pp. 1415-1429, 2019.
A.A. El-Shafie, M. Zaki, and S.E.D. Habib, “Fast CNN-Based Object Tracking Using Localization Layers and Deep Features Interpolation,” Proceeding of 2019 15th International Wireless Communications & Mobile Computing Conference, pp. 1476-1481, 2019.
R. Ravindran, M.J. Santora, and M.M. Jamali, “Multi-Object Detection and Tracking, Based on DNN, for Autonomous Vehicles: A Review,” IEEE Sensors Journal, Vol. 21, No. 5, pp. 5668-5677, 2021.
L. Bertinetto, J. Valmadre, J.F. Henriques, A. Vedaldi, and P.H. Torr, “Fully-Convolutional Siamese Networks for Object Tracking,” Proceeding of European Conference on Computer Vision, pp. 850-865, 2016.
X. Farhodov, O.-H. Kwon, K.-S. Moon, O.-J. Kwon, S.-H. Lee,, and K.-R. Kwon, “A New CSR-DCF Tracking Algorithm Based on Faster RCNN Detection Model and CSRT Tracker for Drone Data,” Journal of Korea Multimedia Society, Vol. 22, No. 12, pp. 1415-1429, 2019.
A.A. El-Shafie, M. Zaki, and S.E.D. Habib, “Fast CNN-Based Object Tracking Using Localization Layers and Deep Features Interpolation,” Proceeding of 2019 15th International Wireless Communications & Mobile Computing Conference, pp. 1476-1481, 2019.
R. Ravindran, M.J. Santora, and M.M. Jamali, “Multi-Object Detection and Tracking, Based on DNN, for Autonomous Vehicles: A Review,” IEEE Sensors Journal, Vol. 21, No. 5, pp. 5668-5677, 2021.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
심층 강화학습을 이용한 디지털트윈 및 시각적 객체 추적
멀티미디어학회논문지
2022 .02
-
작물 생산량 예측을 위한 심층강화학습 성능 분석
한국전자통신학회 논문지
2023 .02
-
시뮬레이션 환경에서의 DQN을 이용한 강화 학습 기반의 무인항공기 경로 계획
반도체디스플레이기술학회지
2017 .01
-
테트리스 환경을 이용한 A2C, DQN 두 강화 학습 알고리즘의 결과 비교 분석
Proceedings of KIIT Conference
2023 .06
-
DQN을 적용한 심층강화학습 기반 로봇팔 밀기 및 파지
한국기계가공학회 춘추계학술대회 논문집
2023 .04
-
강화학습 환경에 따른 A2C, DQN 알고리즘의 학습 효율성 비교, 분석
Proceedings of KIIT Conference
2023 .06
-
DQN 방식의 강화학습을 이용한 모바일 로봇의 자율이동
한국생산제조학회 학술발표대회 논문집
2021 .07
-
Success Memory 및 Regeneration-set Training을 도입한 DQN 기반 아날로그 회로 설계 최적화 알고리즘
전자공학회논문지
2025 .03
-
Optimization of cooling channels for electric vehicle batteries using DQN
한국생산제조학회 학술발표대회 논문집
2020 .10
-
발생 확률 분포에 따른 DQN 학습 성능 비교
한국통신학회 학술대회논문집
2020 .02
-
N-DQN: 계층화된 병렬 강화학습 모델의 구현 및 연구
한국통신학회논문지
2019 .10
-
DQN(Deep Q-Network)을 활용한 수요 대응형 주차 스케쥴링 기법 개발
대한교통학회 학술대회지
2024 .09
-
강화학습 게임에서 높은 보상 수렴속도 개선을 위한 가상환경 기반의 DQN 모델
Proceedings of KIIT Conference
2020 .10
-
안정적인 학습을 위한 멀티-스텝 DQN
한국통신학회 학술대회논문집
2020 .08
-
강화학습을 이용한 스마트 TMD 제어
대한건축학회 학술발표대회 논문집
2021 .04
-
스마트 팩토리 구축을 위한 동적인 환경에서의 DQN 강화 학습 기반 로봇 최적 이동 경로 탐색
한국통신학회 학술대회논문집
2019 .06
-
5G 환경에서 DQN 기반 적응형 비디오 스트리밍 시스템의 성능 분석
한국통신학회 학술대회논문집
2020 .08
-
단말간 직접 통신 네트워크를 위한 심층 강화학습 기반 분산적 스케쥴링 알고리즘
한국정보통신학회논문지
2020 .11
-
DQN(Deep Q-Network)을 활용한 초개인화 조명 환경 알고리즘의 적용 가능성
한국조명·전기설비학회 학술대회논문집
2021 .05
-
DQN 기반 비디오 스트리밍 기법의 뉴럴 네트워크 모델별 성능 비교
한국정보과학회 학술발표논문집
2018 .12
이 논문과 함께 이용한 논문
IoT 침입 탐지 시스템을 위하여 기계학습 분류자를 사용한 블록체인 기반 연합학습
임선자
,
최은희
,
최필주
외 2명
멀티미디어학회논문지
2024
.09
비전 기반 심층 강화학습과 AirSim을 활용한 무인항공기 충돌 회피 운용 및 비행시험 검증
심준기
,
박진혁
,
최성임
한국항공우주학회 학술발표회 초록집
2023
.11
공업계 고등학교의 인공지능 프로그래밍 대회 출전자의 프로그래밍 학습 회복탄력성 증진 방안
김세민
,
홍기천
,
유강수
외 1명
한국정보통신학회 종합학술대회 논문집
2023
.05
디자인씽킹 프로세스 기반의 인공지능(AI) 교육 프로그램 적용 효과분석
이성혜
컴퓨터교육학회 논문지
2020
.07
텍스트 마이닝 기법을 활용한 인공지능 기술개발 동향 분석 연구 : 깃허브 상의 오픈 소스 소프트웨어 프로젝트를 대상으로
정지선
,
김동성
,
이홍주
외 1명
지능정보연구
2019
.03
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-24-02-090654401