胶囊网络在自主导航中的性能表现
机器学习
2020-02-11 v1 机器学习
摘要
胶囊网络（CapsNets）已被提出作为卷积神经网络（CNNs）的替代方案。本文展示了 CapsNets 在自主智能体探索真实场景方面比 CNNs 更具能力。在真实世界导航中，智能体外部的奖励可能很稀少。相应地，强化学习算法可能难以形成有意义策略函数。本文的方法胶囊探索模块（Caps-EM）将 CapsNets 架构与优势 actor-critic 算法配对。其他用于稀疏环境导航的方法需要内在奖励生成器，例如内在好奇心模块（ICM）和增强好奇心模块（ACM）。Caps-EM 使用更紧凑的架构，无需内在奖励。使用 ViZDoom 测试，在“My Way Home”场景中，与 ICM 和深度增强好奇心模块（D-ACM）相比，Caps-EM 分别少用了 44% 和 83% 的可训练网络参数，收敛到策略函数的平均时间分别提升了 1141% 和 437%。
引用
@article{arxiv.2002.03181,
title = {Capsule Network Performance with Autonomous Navigation},
author = {Thomas Molnar and Eugenio Culurciello},
journal= {arXiv preprint arXiv:2002.03181},
year = {2020}
}
备注
In IJAIA Vol.11, No.1 for January 2020; 15 pages, 9 figures