Connexion
S'inscrire
Réinitialiser le mot de passe
Publier & Distribuer
Solutions d'édition
Solutions de distribution
Thèmes
Architecture et design
Arts
Business et économie
Chimie
Chimie industrielle
Droit
Géosciences
Histoire
Informatique
Ingénierie
Intérêt général
Linguistique et sémiotique
Littérature
Mathématiques
Musique
Médecine
Pharmacie
Philosophie
Physique
Sciences bibliothécaires et de l'information, études du livre
Sciences des matériaux
Sciences du vivant
Sciences sociales
Sport et loisirs
Théologie et religion
Études classiques et du Proche-Orient ancient
Études culturelles
Études juives
Publications
Journaux
Livres
Comptes-rendus
Éditeurs
Blog
Contact
Chercher
EUR
USD
GBP
Français
English
Deutsch
Polski
Español
Français
Italiano
Panier
Home
Journaux
International Journal of Advanced Network, Monitoring and Controls
Édition 8 (2023): Edition 4 (December 2023)
Accès libre
Object Localization Algorithm Based on Meta-Reinforcement Learning
Han Yan
Han Yan
et
Hong Jiang
Hong Jiang
| 16 mars 2024
International Journal of Advanced Network, Monitoring and Controls
Édition 8 (2023): Edition 4 (December 2023)
À propos de cet article
Article précédent
Article suivant
Résumé
Article
Figures et tableaux
Références
Auteurs
Articles dans cette édition
Aperçu
PDF
Citez
Partagez
Publié en ligne:
16 mars 2024
Pages:
55 - 65
DOI:
https://doi.org/10.2478/ijanmc-2023-0077
Mots clés
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