Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
International Journal of Advanced Network, Monitoring and Controls
Band 8 (2023): Heft 4 (December 2023)
Uneingeschränkter Zugang
Object Localization Algorithm Based on Meta-Reinforcement Learning
Han Yan
Han Yan
und
Hong Jiang
Hong Jiang
| 16. März 2024
International Journal of Advanced Network, Monitoring and Controls
Band 8 (2023): Heft 4 (December 2023)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
16. März 2024
Seitenbereich:
55 - 65
DOI:
https://doi.org/10.2478/ijanmc-2023-0077
Schlüsselwörter
Meta-reinforcement Learning
,
Meta-Parameter
,
Target
,
Generalization Ability
,
Deep Reinforcement Learning
© 2023 Han Yan et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Figure 1.
Process of target localization in meta-reinforcement learning
Figure 2.
Object localization model
Figure 3.
Action diagram
Figure 4.
Structure of the location network
Figure 5.
Structure of the regression network
Figure 6.
Feature network structure
Figure 7.
Training process of meta-parameter pooling
Figure 8.
Parameter training process of meta-reinforcement learning
Figure 9.
Comparison of training loss functions
Figure 10.
Results of ta
Figure 11.
Comparison of precision and recall