Logowanie
Zarejestruj się
Zresetuj hasło
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Blog
Kontakt
Wyszukiwanie
EUR
USD
GBP
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
International Journal of Advanced Network, Monitoring and Controls
Tom 8 (2023): Zeszyt 4 (December 2023)
Otwarty dostęp
Object Localization Algorithm Based on Meta-Reinforcement Learning
Han Yan
Han Yan
oraz
Hong Jiang
Hong Jiang
| 16 mar 2024
International Journal of Advanced Network, Monitoring and Controls
Tom 8 (2023): Zeszyt 4 (December 2023)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Artykuł
Ilustracje i tabele
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Data publikacji:
16 mar 2024
Zakres stron:
55 - 65
DOI:
https://doi.org/10.2478/ijanmc-2023-0077
Słowa kluczowe
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