Dueling Network Architectures for Deep Reinforcement Learning ICML Best Paper 摘要：本文的贡献点主要是在 DQN 网络结构上，将卷积神经网络提出的特征，分为两路走，即：the state value function 和 the state dependent action advantage function. 这个 ...
2016-10-02 16:55 0 4688 推荐指数：
Deep Reinforcement Learning with Double Q-learning Google DeepMind Abstract 主流的 Q-learning 算法过高的估计在特定条件下的动作值。实际上，之前是不知道是否这样的过高估计是 common ...
Playing Atari with Deep Reinforcement Learning 《Computer Science》, 2013 Abstract： 本文提出了一种深度学习方法，利用强化学习的方法，直接从高维的感知输入中学习控制策略。模型是一个卷积神经网络 ...
Active Object Localization with Deep Reinforcement Learning ICCV 2015 最近Deep Reinforcement Learning算是火了一把，在Google Deep Mind的主页上，更是许多关于此 ...
Asynchronous Methods for Deep Reinforcement Learning ICML 2016 深度强化学习最近被人发现貌似不太稳定，有人提出很多改善的方法，这些方法有很多共同的 idea：一个 online 的 agent 碰到的观察到的数据 ...
的识别效果。 这篇论文的主要思想是通过学习两个deep network来构建face attrib ...
之前提到，深度神经网络在训练中容易遇到梯度消失/爆炸的问题，这个问题产生的根源详见之前的读书笔记。在 Batch Normalization 中，我们将输入数据由激活函数的收敛区调整到梯度较大的区域，在一定程度上缓解了这种问题。不过，当网络的层数急剧增加时，BP 算法中导数的累乘效应还是很容易 ...
这篇文章的主要贡献点在于： 1.实验证明仅仅利用图像整体的弱标签很难训练出很好的分割模型； 2.可以利用bounding box来进行训练，并且得到了较好的结果，这样可以代替用pixel-leve ...
论文地址：https://arxiv.org/abs/1611.01578 1. 论文思想 强化学习，用一个RNN学一个网络参数的序列，然后将其转换成网络，然后训练，得到一个反馈，这个反馈作用于RNN网络，用于生成新的序列。 2. 整体架构 3. RNN网络 4. 具体实现 ...
