基于强化学习的两状态Q学习手写数字识别
计算机视觉与模式识别
2020-08-11 v2 机器学习
图像与视频处理
摘要
我们提出了一种基于深度学习和强化学习的简单而高效的混合分类器。Q学习与两个Q状态和四个动作一起使用。传统技术使用从卷积神经网络（CNN）提取的特征图，并将其与过去的历史一起包含在Q状态中。由于特征图的高维度，这导致这些方法面临状态数量非常庞大的困难。由于我们的方法仅使用两个Q状态，因此它很简单，需要优化的参数数量少得多，并且因此具有一个直接的奖励函数。此外，与其他当代技术相比，该方法使用了未探索的图像处理动作。三个数据集被用于对该方法进行基准测试。它们是MNIST数字图像数据集、USPS数字图像数据集和MATLAB数字图像数据集。所提出的混合分类器的性能已与其他当代技术进行了比较，例如一种成熟的强化学习技术、AlexNet、CNN-最近邻分类器和CNN-支持向量机分类器。我们的方法在所有三个使用的数据集上均优于这些当代混合分类器。
引用
@article{arxiv.2007.01193,
title = {Reinforcement Learning Based Handwritten Digit Recognition with Two-State Q-Learning},
author = {Abdul Mueed Hafiz and Ghulam Mohiuddin Bhat},
journal= {arXiv preprint arXiv:2007.01193},
year = {2020}
}