风格无关强化学习
计算机视觉与模式识别
2022-09-01 v1 机器学习
摘要
我们提出一种在强化学习框架中利用风格迁移与对抗学习来学习风格无关表征的新方法。此处风格指与任务无关的细枝末节，例如图像中背景的颜色，而让所学策略在不同风格的环境中泛化仍是一项挑战。聚焦于学习风格无关表征，我们的方法利用一个固有的对抗式风格扰动生成器所产生的多样化图像风格来训练智能体（actor），该生成器在智能体与生成器之间展开极小极大博弈，无需数据增强方面的专家知识，也无需对抗训练的额外类别标签。我们验证了该方法在 Procgen 与 Distracting Control Suite 基准上取得了优于或媲美最先进方法的性能，并进一步探究了从模型中提取的特征，表明该模型能更好地捕捉不变性，且较少受偏移风格干扰。代码见 https://github.com/POSTECH-CVLab/style-agnostic-RL。
引用
@article{arxiv.2208.14863,
title = {Style-Agnostic Reinforcement Learning},
author = {Juyong Lee and Seokjun Ahn and Jaesik Park},
journal= {arXiv preprint arXiv:2208.14863},
year = {2022}
}
备注
Accepted to ECCV 2022. Our code is available at https://github.com/POSTECH-CVLab/style-agnostic-RL