视觉径向基Q网络
计算机视觉与模式识别
2022-06-15 v1 机器学习
摘要
尽管基于原始图像的强化学习（RL）在过去十年中已被广泛研究，现有方法仍受若干限制。高输入维度常通过专家知识提取手工特征或经卷积网络进行环境编码来处理。两种方案均需优化大量参数。相比之下，我们提出一种从原始图像中以极少可训练参数提取稀疏特征的通用方法。我们通过在原始图像上直接使用径向基函数网络（RBFN）实现此目的。我们在Vizdoom环境中评估所提方法在Q学习任务的视觉提取性能。随后，我们将结果与两个深度Q网络比较，其一直接在图像上训练，另一在预训练自编码器提取的特征上训练。我们表明，所提方法以更少可训练参数且概念上更简洁，提供了相似或在某些情况下更优的性能。
引用
@article{arxiv.2206.06712,
title = {Visual Radial Basis Q-Network},
author = {Julien Hautot and Céline Teuliere and Nourddine Azzaoui},
journal= {arXiv preprint arXiv:2206.06712},
year = {2022}
}
备注
This paper has been accepted for publication at the 3rd International Conference on Pattern Recognition and Artificial Intelligence, ICPRAI 2022. \c{opyright}Springer Nature 2022