用于零样本泛化的旋转、平移与裁剪
机器学习
2020-06-15 v3 计算机视觉与模式识别
机器学习
摘要
深度强化学习（DRL）在具有视觉输入的领域表现出令人印象深刻的性能，尤其是各类游戏。然而，智能体通常在固定环境中训练，例如固定数量的关卡。越来越多的证据表明，这些训练好的模型甚至无法泛化到其所训练环境的微小变化。本文提出一种假设：泛化能力的缺乏部分归因于输入表示，并探究旋转、裁剪和平移如何提升泛化性。我们表明，在GVGAI框架的二维街机游戏未见过关卡上，经过裁剪、平移和旋转的观测可获得更好的泛化能力。智能体的泛化性在人类设计的关卡和程序生成的关卡上均进行了评估。
引用
@article{arxiv.2001.09908,
title = {Rotation, Translation, and Cropping for Zero-Shot Generalization},
author = {Chang Ye and Ahmed Khalifa and Philip Bontrager and Julian Togelius},
journal= {arXiv preprint arXiv:2001.09908},
year = {2020}
}
备注
IEEE Conference on Games 2020 Full Paper