每日论文 | 让智能体学习“不用学什么”；城市道路多种目标追踪；静态动作迁移

1

Learn What Not to Learn: Action Elimination with Deep Reinforcement Learning

对强化学习智能体来说，在每个状态下学习做什么动作是项困难的任务，尤其是需要做很多重复或不相关的动作。在这种情况下，学习不要做什么似乎是更简单的方法。在这篇论文中，我们提出了Action-Elimination Deep Q-Network ( AE-DQN)结构，结合了深度强化学习算法和动作消除网络（AEN）。AEN通过训练可以预测哪些动作是无效的。

地址：https://arxiv.org/abs/1809.02121

2

Multiple Object Tracking in Urban Traffic Scenes with a Multiclass Object Detector

对城市交通进行多目标追踪是为了了解各区域道路上的交通行驶轨迹。但遮挡和障碍物也是城市道路常见的状况。在这篇文章中，我们用深度学习检测技术对不同的目标物体进行了追踪和标签分类，不仅仅是对目标进行定位，我们想看看城市道路上不同种类的目标物体有何特征。

地址：https://arxiv.org/abs/1809.02073

3

Dense Pose Transfer

本文结合了基于表面的模型和神经合成技术，提出了一种综合框架，可以进行精确的动作迁移，即将一张图像上人物的动作迁移到另一个新图像上。我们用dense pose系统将两张图像上的像素映射到基于表面的坐标系统中。

地址：https://arxiv.org/abs/1809.01995

关于动作迁移，感兴趣的读者可以阅读伯克利前不久的成果，他们不是在静止的图像上进行动作迁移，而是将这一技术用到了视频中：不如跳舞！伯克利的舞蹈动作迁移效果逆天