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，更是许多关于此的paper，基本都发在ICML，AAAI，IJCAI等各种人工智能，机器学习的牛会顶刊，甚至是Nature，可以参考其官方publication page: https://www.deepmind.com/publications.html
本文是做特定物体的定位和检测，但是不用提取proposal的方式。本文的方法采用从上至下的搜索策略，刚开始的时候，是分析整个场景，然后向物体准确的位置行进。其实，就是先用一个较大的box将物体框住，然后一步一步的缩小，最终使得物体完美的被一个紧凑的box围住。重点是这个step by step的定位过程，该过程是由一个机制确定，并且分析当前可见区域的内容，然后选择下一步最优的action,每一步transformation都尽可能将背景部分砍掉，并且要将物体完整的留在box之中，示例的调整过程如下图所示：
本文所用的方法是 dynamic attention-action strategy，需要注意当前区域的内容，使得转移box的导向是：the target object is progressively more focused. 为了模拟所提出机制的attention，当前box覆盖目标物体的好坏决定了奖励函数(reward function)。基于DeepQNetwork algorithm，作者将奖励函数和增强学习(reinforcement learning setting)结合来学习一个定位策略(localization policy)。作者的结果表明，一个训练的agent可以在11步左右定位到一个物体的示例，这意味着该算法可以在处理11个区域之后准确的找到一个物体。
Object Localization as a Dynamic Decision Process
本文将物体定位问题看做为马尔科夫决策过程(Markov decision process (MDP))，因为这套设置提供了一个正式的框架来建模一个agent，能够做出一系列的决策。该机制拥有当前可见区域的状态描述(state representation with information of the currently visible region) 和 过去的动作(past actions)，在训练的过程中，会对每一个决定都会给出positive or negative rewards。在测试的过程中，该机制不在收到反馈，不再更新model，只是遵循学习到的策略。所以，MDP由三个部分构成，即：a set of actions A, a set of states S, and a reward function R.
1. Localization Actions
可以看到 action set A 有8个转移动作（四个方向的移动，尺寸的放大和缩小，长宽比例的变换）和1个终止动作（Trigger）。box的位置：b = [x1, y1, x2, y2], 任何一个转移动作(transformation actions)都会对box造成一个discrete change，通过：
2. State
The state representation is a tuple (o, h)， 其中 o 是观测区域的特征向量，h 是一个向量，存储的是所采用action的历史记录。特征向量 o 是用CNN网络结构提取的，将输入改为224*224，将fc6层的feature提出来。在历史记录向量中，每一个action都表示为一个9维的二进制向量，除了存在的那个动作为1，其余的都为0. 文中将该记录编码为10个 past actions，那么h就是一个 90维的向量。
3. Reward Function
奖励函数 R 和选定一个特定区域后该机制定位物体的提升程度成正比。预测box和给定box的重叠程度作为我们setup的改善的衡量标准。More specifically，奖励函数用从一个状态到另一个状态的IoU的不同来预测。假设观测区域的box 为b，目标物体的gt box为 g。b和g之间的IoU定义为：
IoU(b, g) = area(b^g) / area(bvg).
当agent选定action a 从 s 移动到 s'时，执行奖励函数 Ra(s, s'). 每一个状态 s 有一个相关的box b包含倾向的区域，then the reward is as follows:
Ra(s, s') = sign ( IoU(b', g) - IoU(b, g) )
可以看到，从状态s到s'，如果IoU改善了，那么奖励就是positive的，否则就是negative的。奖励机制是二值 r 属于{-1， +1}， 适合用所有转移box的action。通过这种方式，agent对于那些移走box的操作给予惩罚，对于那些符合要求的action给予奖励，直到没有其余的转移可以更好的改善定位，在这种情况下，就要进行trigger操作了。
Trigger拥有一个不同的奖励机制，因为这个操作会带来终止状态，该action的IoU差别会永远为0。IoU的阈值函数作为trigger的奖励：
最终，the reward scheme显示的考虑了step的个数作为一个cost，the agent follow a greedy strategy，which prefers short sequences because any unnecessary step pays a penalty that reduces the accumulated utility.
Finding a Localization Policy with Reinforcement Learning
Agent的设计是为了一系列的选择actions来转移bbox，使得在与环境交互的过程中，得到的rewards最大。核心问题是找到一个策略指导agent的决策制定的过程。一个策略就是一个函数pi(s)来指定选择action a，当current state is s。由于我们没有状态转移概率，且奖励函数是依赖于数据的，该问题就构成了利用Q-Learning的增强学习问题。
本文follow了Mnih et al.的deep Q-learning algorithm，该算法利用神经网络预测 action-value function，与之前的Q-learning方法对比，有如下几点优势：
(1). Q-network的输出有许多单元（units），像该问题的多个actions一样。
(2). 该算法结合一个 replay-memory来收集不同的经验和在长期运行中进行学习。
(3). 为了更新model，该算法从replay-memory uniformly at random的选择transitions，来破坏状态之间的短期关系。这使得算法更加稳定并且阻止了参数的不收敛。
在学习了 action-value function Q(s, a)之后，agent采用的策略就是选择拥有最大预测值的 action a。
1. Q-learning for Object Localization
网络结构如上图所示，输入图像是：224*224，经过5个卷基层，提取fc6层的feature，然后训练 Deep Q-Network，最终输出9个actions, 这9个action 就是 对应 fc 的9个输出。
2. Training Localization Agents
另外，为了更好的理解Deep Q-Network，还是抽空看一下这篇文章" Human-level control through deep reinforcement learning"。
The link is here: http://gnusha.org/~nmz787/pdf/Human-level_control_through_deep_reinforcement_learning.pdf
大家有什么疑惑，欢迎一起讨论学习！
