HGP-Det: A lightweight reinforcement learning framework for efficient object detection

Liu, Zhifeng

doi:10.1016/j.eswa.2026.132992

HGP-Det: A lightweight reinforcement learning framework for efficient object detection

2026-09-29

0

PRE

AI

周国雄 (Guoxiong Zhou) *

DOI：10.1016/j.eswa.2026.132992

原文链接

原文求助

摘要

En 中文

基于深度强化学习的目标检测方法存在三个关键局限性：样本聚类会破坏策略学习，静态奖励函数无法平衡定位精度与探索效率，超参数敏感性阻碍模型收敛。为解决这些挑战，我们提出HGP-Det，一种轻量级强化学习框架，包含三项核心创新。首先，希尔伯特几何感知深度Q网络（HK-DQN）通过希尔伯特空间多样性感知采样机制解决样本聚类问题，并通过具有可学习B样条激活的几何感知网络改进Q值估计。其次，神经-偏微分方程奖励函数（NPRF）将基于物理的轨迹约束编码为可分解的多目标奖励信号，引导智能体发展粗到精的定位策略。第三，多智能体博弈优化（MAGO）通过斯塔克尔伯格博弈驱动的三智能体架构自适应搜索最优学习率，加速收敛并稳定训练。在VOC、COCO和SF数据集上的实验表明，HGP-Det在仅1.56 GFLOPs下达到80.3% mAP（VOC）、81.2% mAP（COCO）和80.6% Precision（SF），在仅相当于YOLOv11s计算成本的7.2%时达到其91.4%的检测精度，在资源受限的边缘设备部署中实现了有利的精度-效率权衡。源代码公开于https://github.com/Lzfsir/HGP-Det.git。

Keyword:

Deep reinforcement learning

Object detection

Deep Q-network (DQN)

Hilbert space

Optimization algorithm

Reward function

HGP-Det: A lightweight reinforcement learning framework for efficient object detection

摘要

期刊

机构

引用论文