Login
Registrati
Reimposta password
Pubblica & Distribuisci
Soluzioni Editoriali
Soluzioni di Distribuzione
Temi
Architettura e design
Arti
Business e Economia
Chimica
Chimica industriale
Farmacia
Filosofia
Fisica
Geoscienze
Ingegneria
Interesse generale
Legge
Letteratura
Linguistica e semiotica
Matematica
Medicina
Musica
Scienze bibliotecarie e dell'informazione, studi library
Scienze dei materiali
Scienze della vita
Scienze informatiche
Scienze sociali
Sport e tempo libero
Storia
Studi classici e del Vicino Oriente antico
Studi culturali
Studi ebraici
Teologia e religione
Pubblicazioni
Riviste
Libri
Atti
Editori
Blog
Contatti
Cerca
EUR
USD
GBP
Italiano
English
Deutsch
Polski
Español
Français
Italiano
Carrello
Home
Riviste
International Journal of Advanced Network, Monitoring and Controls
Volume 8 (2023): Numero 4 (December 2023)
Accesso libero
Object Localization Algorithm Based on Meta-Reinforcement Learning
Han Yan
Han Yan
e
Hong Jiang
Hong Jiang
| 16 mar 2024
International Journal of Advanced Network, Monitoring and Controls
Volume 8 (2023): Numero 4 (December 2023)
INFORMAZIONI SU QUESTO ARTICOLO
Articolo precedente
Articolo Successivo
Sommario
Articolo
Immagini e tabelle
Bibliografia
Autori
Articoli in questo Numero
Anteprima
PDF
Cita
CONDIVIDI
Pubblicato online:
16 mar 2024
Pagine:
55 - 65
DOI:
https://doi.org/10.2478/ijanmc-2023-0077
Parole chiave
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