МУЛЬТИАГЕНТНОЕ ПРОЕКТИРОВАНИЕ ПРОГРАММНЫХ СРЕДСТВ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

Резюме: Интеграция искусственного интеллекта в задачи компьютерного зрения значительно преобразила вычислительные технологии, особенно в таких приложениях, как автономные транспортные средства, диагностика медицинских изображений и системы видеонаблюдения. Однако отслеживание множества объектов, являющееся ключевым компонентом современного компьютерного зрения, сталкивается с такими проблемами, как перекрытие объектов, изменение внешнего вида объектов и сложное взаимодействие с фоном. В данной работе рассматриваются улучшения в области отслеживания множества объектов достигаемые за счет интеграции мультиагентного обучения с подкреплением с современными методами отслеживания. Предлагается новая система отслежи- вания, использующая алгоритм глубокого детерминированного градиента политик для мультиагентных систем в сочетании с детектором объектов YOLO v7. При создании системы применяется централизованное обучение с децентрализованным исполнением и архитектура Актор-Критик, что позволяет динамично и точно отслеживать множество объектов в реальном времени. Предлагаемый метод повышает эффективность отслеживания за счет улучшения координации между агентами и эффективной обработкой динамики среды. Эксперименты, проведенные на базе набора данных MOT16 показали значительное улучшение точности отслеживания и скорости обработки, что делает этот метод подходящим для различных прикладных задач.

Ключевые слова: отслеживание множества объектов, визуальное отслеживание в реальном времени, глубокое мультиагентное обучение с подкреплением.

V.E. Bolshakov, A.N. Alfimtsev

MULTI-AGENT SOFTWARE DEVELOPMENT FOR DIGITAL IMAGE PROCESSING

Summary: The integration of artificial intelligence in computer vision tasks has significantly transformed computing technology, especially in applications such as autonomous vehicles, medical image diagnosis, and video surveillance systems. However, multi-object tracking, a key component of modern computer vision, faces challenges such as object occlusion, changing object appearance, and complex interactions with the background. This paper discusses the improvements in multi-object tracking achieved by integrating multi-agent reinforcement learning with modern tracking methods. A novel tracking system is proposed that uses the deep deterministic policy gradient algorithm for multi-agent systems in combina- tion with the YOLO v7 object detector. The system uses centralized learning with decentralized execution and the Actor- Critic architecture to dynamically and accurately track multiple objects in real time. The proposed method improves the tracking performance by improving the coordination between agents and efficiently handling the dynamics of the environ- ment. Experiments conducted on the MOT16 dataset showed significant improvements in tracking accuracy and processing speed, making this method suitable for a variety of applications.

Keywords: multi-object tracking, real-time visual tracking, deep multi-agent reinforcement learning.

DOI: 10.34219/2078-8320-2024-15-5-100-107