Iniciar sesión
Registrarse
Restablecer contraseña
Publicar y Distribuir
Soluciones de Publicación
Soluciones de Distribución
Temas
Arquitectura y diseño
Artes
Ciencias Sociales
Ciencias de la Información y Bibliotecas, Estudios del Libro
Ciencias de la vida
Ciencias de los materiales
Deporte y tiempo libre
Estudios clásicos y del Cercano Oriente antiguo
Estudios culturales
Estudios judíos
Farmacia
Filosofía
Física
Geociencias
Historia
Informática
Ingeniería
Interés general
Ley
Lingüística y semiótica
Literatura
Matemáticas
Medicina
Música
Negocios y Economía
Química
Química industrial
Teología y religión
Publicaciones
Revistas
Libros
Actas
Editoriales
Blog
Contacto
Buscar
EUR
USD
GBP
Español
English
Deutsch
Polski
Español
Français
Italiano
Carrito
Home
Revistas
International Journal of Advanced Network, Monitoring and Controls
Volumen 8 (2023): Edición 4 (December 2023)
Acceso abierto
Object Localization Algorithm Based on Meta-Reinforcement Learning
Han Yan
Han Yan
y
Hong Jiang
Hong Jiang
| 16 mar 2024
International Journal of Advanced Network, Monitoring and Controls
Volumen 8 (2023): Edición 4 (December 2023)
Acerca de este artículo
Artículo anterior
Artículo siguiente
Resumen
Artículo
Figuras y tablas
Referencias
Autores
Artículos en este número
Vista previa
PDF
Cite
Compartir
Publicado en línea:
16 mar 2024
Páginas:
55 - 65
DOI:
https://doi.org/10.2478/ijanmc-2023-0077
Palabras clave
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