Otimização de Hiperparâmetros para Rastreamento com Aprendizado Profundo Q Contínuo

Hiperparâmetros são predefinições numéricas cujos valores são atribuídos antes do início do processo de aprendizado. Selecionar hiperparâmetros apropriados é crítico para a precisão dos algoritmos de rastreamento, no entanto, é difícil determinar seus valores ótimos, em particular, valores adaptativos para cada sequência de vídeo específica. A maioria dos algoritmos de otimização de hiperparâmetros depende da busca em uma faixa genérica e é imposta cegamente em todas as sequências. Aqui, propomos um novo método de otimização de hiperparâmetros que pode encontrar hiperparâmetros ótimos para uma sequência dada usando uma rede de previsão de ações aproveitada no Aprendizado Profundo Q Contínuo. Uma vez que os espaços de estado comuns para tarefas de rastreamento de objetos são significativamente mais complexos do que os problemas de controle tradicionais, os algoritmos existentes de Aprendizado Profundo Q Contínuo não podem ser aplicados diretamente. Para superar esse desafio, apresentamos uma heurística eficiente para acelerar o comportamento de convergência. Avaliamos nosso método em várias referências de rastreamento e demonstramos seu desempenho superior 1.