【发布时间】：2020-08-10 07:03:37
【问题描述】：
随着我继续研究计算机视觉，与第一个 RL 的影响和人们预测的可能性相比，我觉得 RL（强化学习）在计算机视觉任务中的使用频率相对较低。
即使您查看在 CVPR 等顶级会议上接受的论文列表，也很少或根本没有使用 RL 的论文。
为什么 RL 在计算机视觉中没有得到很好的应用？
【问题讨论】：
标签： computer-vision reinforcement-learning
【发布时间】：2020-08-10 07:03:37
【问题描述】：
RL 仅在最近几年才显着回升。强化学习已被用于解决视觉信息处理和分析等应用任务，以及解决特定的计算机视觉问题，例如过滤、提取图像特征、定位场景中的对象等等。
去年在 CVPR 上有一个很好的关于深度强化学习的教程： http://ivg.au.tsinghua.edu.cn/DRLCV/
这是来自各种应用的有趣论文列表：
视觉跟踪
[1] James Supančič, III, Deva Ramanan，跟踪作为在线决策：通过强化学习从流视频中学习策略，ICCV，2017 年。
视觉对话
[1] Abhishek Das、Satwik Kottur、José M.F. Moura、Stefan Lee、Dhruv Batra，通过深度强化学习获得合作视觉对话代理，ICCV 2017。
人类行为分析
[1] Nicholas Rhinehart、Kris M. Kitani，使用在线逆强化学习进行第一人称活动预测，ICCV，2017 年。
人脸识别
[1] 饶永明，陆继文，周杰。用于视频人脸识别的注意力感知深度强化学习，ICCV，2017。
[2] 曹庆星，林亮，石玉凯，梁晓丹，李冠斌。基于深度强化学习的注意力感知面部幻觉。 CVPR，2017 年。
图像恢复
[1] 柯宇，董超，梁琳，陈昌来。通过深度强化学习制作用于图像恢复的工具链。 CVPR 2018。
语义解析
[1] 刘芳雨，李帅鹏，张立强，周成虎，叶荣天，王跃斌，陆继文。 3DCNN-DQN-RNN：用于大规模 3D 点云语义解析的深度强化学习框架。 ICCV，2017 年。
视频摘要
[1] 周凯阳，于乔，陶翔。具有多样性代表性奖励的无监督视频摘要的深度强化学习。美国人工智能学会，2018 年。
主动对象定位
[1] Juan C. Caicedo，Svetlana Lazebnik。具有深度强化学习的主动对象定位。 ICCV，2015 年。
【讨论】：