Actor-identified Spatiotemporal Action Detection —Detecting Who Is Doing What in Videos⋆

已于 2024-03-02 14:45:51 修改
阅读量785 收藏 20
点赞数 19
文章标签： 视觉检测
于 2024-01-27 13:55:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46687145/article/details/135868193
版权

文献标题：参与者识别时空动作检测-检测谁在视频中做什么

源文链接：Actor-identified Spatiotemporal Action Detection — Detecting Who Is Doing What in Videos (arxiv.org)y

源码链接：https://github.com/fandulu/ASAD

类别：Computer Vision and Pattern Recognition (cs.CV)

摘要

现存的问题：深度学习在视频动作识别(Action Recognition, AR)中的成功促使研究人员逐步将相关任务从粗粒度级别提升到细粒度级别。与传统AR仅预测整个视频的动作标签相比，时间动作检测(TAD)被用于估计视频中每个动作的开始和结束时间。在此基础上，本文进一步研究了在视频中对动作进行空间和时间定位的时空动作检测方法。然而，在SAD（时空动作检测）中，谁来执行这个动作，通常被忽略了，而识别行为者也可能很重要。为此，我们提出了一种新的任务——参与者识别的时空动作检测(ASAD)，以弥合SAD与参与者识别之间的差距。

本文能实现的效果：在ASAD中，我们不仅能检测实例级别的动作的时空边界，而且为每个参与者分配唯一的ID。多目标跟踪(MOT)和动作分类(AC)是实现ASAD的两个基本要素。通过使用MOT，得到每个参与者的时空边界，并赋予一个唯一的参与者身份。通过AC，在相应的时空边界内估计动作类。

本文存在的问题：由于ASAD是一个新的任务，它提出了许多现有方法无法解决的新挑战:i)没有专门为ASAD创建的数据集，ii)没有为ASAD设计的评估指标，iii)现存的MOT方法的性能可能无法获得满意的ASAD结果。

本文针对问题提出的方法：为了解决这些问题，我们提出了一种新的ASAD数据集的标注方法，提出了考虑多标签行为和参与者识别的ASAD评价指标，改进了MOT中的数据关联策略，以提高MOT性能，从而获得更好的ASAD结果。我们认为，将参与者识别与时空动作检测相结合，可以促进视频理解等领域的研究。

该代码可在https://github.com/fandulu/ASAD获得。

关键词:动作识别，多目标跟踪

1.介绍

基于视觉的动作识别的应用价值：基于视觉的动作识别(Vision-based Action Recognition, AR)旨在从一系列数据(如视频)中检测出人类定义的动作，在我们的日常生活中有着广泛的应用。例如，它被应用于YouTube识别数十亿个视频标签，然后向我们推荐视频，或者被应用于警察快速从数千小时的监控视频中检索罪犯，或者被应用于虚拟游戏机与玩家互动，等等([10,33])。

传统的AR与提出的ASAD的区别：近年来，基于增强现实的深度学习的成功促使研究人员逐步将增强现实任务从粗粒度级别提升到细粒度级别。与传统AR仅预测整个视频的动作标签相比，时间动作检测(TAD)被用于估计视频中每个动作的开始和结束时间。在此基础上，本文进一步研究了在视频中对动作进行空间和时间定位的时空动作检测方法。然而，在SAD研究中，谁来执行这个动作通常被忽略。我们认为参与者认同应该与SAD一起考虑。当目标场景中有多个参与者时(如篮球/足球比赛)，我们更希望知道“谁在做什么”，因此，我们希望通过每个参与者的动作来识别他们。但是，长期以来，SAD和行动者识别被视为不同的任务。为此，我们提出了一种新的任务——参与者识别时空动作检测(ASAD)，以弥合SAD和参与者识别之间的差距(图1)。

为了实现ASAD，多目标跟踪(Multiple Object Tracking, MOT)[49]和动作分类(Action Classification, AC)[33]是两个基本元素(图2)。通过使用MOT，获得每个参与者的时空边界，并将其分配给一个唯一的参与者标识。通过AC，在相应的时空边界内估计动作类。一般情况下，考虑到模型训练的灵活性，它们可以作为独立的模块工作。

由于ASAD是一个新的任务，它提出了许多现有方法无法解决的新挑战:i)没有专门为ASAD创建数据集，ii)没有为ASAD设计评估指标，iii) 现存的MOT方法的性能可能无法获得满意的ASAD结果。为了解决这些问题，我们提出了一种新的ASAD数据集的标注方法，提出了考虑多标签行为和参与者识别的ASAD评价指标，改进了MOT中的数据关联策略，提高了MOT性能，从而得到了更好的ASAD结果1。

我们总结了主要的贡献如下：

•我们提出了一项新的视频动作识别研究任务——参与者识别时空动作检测(ASAD)。据我们所知，这一问题非常重要，但在历史上一直被忽视。ASAD弥合了现有的时空行为检测(SAD)研究与识别行为实施者之间的差距。

•我们专门为ASAD研究提供了一个新的数据集。它涵盖了丰富的动作类别和参与者身份。

•我们提出了ASAD评估的新指标。据我们所知，现有的度量标准不能应用于ASAD，我们是第一个引入这种度量标准的。

2.相关工作（原文无内容）

3.视频动作识别

现有的视频动作识别研究：一般来说，视频动作识别研究可以分为几个类别(图3)。常规的动作识别(AR)以整个视频或视频剪辑为输入，生成相应的动作类。它被用来理解整体的视频概念，而不是在空间域和时间域上指定细节。时间动作检测(TAD)通过明确动作的开始和结束时间，为AR提供时间细节。据此，在TAD中可以将一个视频分割成多个时间分量。与TAD相比，时空动作检测(spatial - temporal Action Detection, SAD)不仅能在时间域内检测动作边界，还能在空间域内通过box框(或实例mask)定位动作主体。我们通常把这样的时空边界称为行为流管。在本研究中，我们提出了一种基于参与者识别的时空动作检测方法(ASAD)。

图3:动作识别工作的比较，大致可以分为四类:动作识别(AR)、时间动作检测(TAD)、时空动作检测(SAD)和我们定义的参与者识别的时空动作检测(ASAD)。现有的工作(如AR、TAD和SAD)忽略了参与者，而我们的ASAD解决了这个问题。这张图的一部分归功于[33]。

数据集的区别：我们在表1中总结了AR、TAD、SAD和ASAD的相关数据集和研究。多目标跟踪(Multiple Object Tracking, MOT)[82]也是SAD中常用的一种方法，将box框与行为流管连接起来。一些SAD作品还可以跟踪参与者，并为他们分配唯一的id。但是，基于SAD的评价协议，可能没有提供参与者身份的标注，也没有对参与者身份进行评价。也就是说，ASAD和SAD在方法上没有明确的界限，它们的区别更多的是在数据标注和评估协议上。SAD中给出的行为流管ID与参与者ID可能并非始终保持不一致。例如，在同一个参与者改变了他/她的动作后，相应的行为流管ID改变了，但参与者ID应该保持不变。不幸的是，这种参与者ID在大多数SAD数据集中是不可用的。

表1 AR、TAD、SAD、ASAD的相关数据集和研究。请注意，与其他SAD数据集不同，Okutama[2]的注释中给出了参与者ID，但ASAD评估尚未被探索。此外，Okutama数据集包含4k分辨率的无人机视频，可能只覆盖非常有限的ASAD场景。此外，一些SAD模型如ROAD[63]、AlphAction[66]、ACAM[69]可能会产生ASAD结果，但在原著中均采用SAD协议进行了评估。也就是说，这些作品忽略了参与者身份的一致性。

MOT和AC的重要性：假设MOT和AC是ASAD中的两个重要组成部分，我们来看看MOT和AC在AR、TAD、SAD和ASAD中的作用(见表3)。AC是所有动作识别类别的必要模块。在SAD中，可以使用MOT(例如，在UCF101 + ROAD数据集上[63])，但不是必需的(例如，在AVA数据集[26]上)。然而，在ASAD中，MOT和AC都是需要的。

此外，以往的研究[60,79,32]只关注识别视频中的参与者，而没有识别他们的行为。这样，作为一项新的任务，ASAD在SAD和参与者识别之间架起了桥梁(表2)。

4.多目标跟踪

鉴于多目标跟踪(MOT)在参与者识别的时空动作检测(ASAD)中发挥着重要作用，本文进一步综述了多目标跟踪的相关工作。

一般来说，MOT是根据MOT特征的相似性将相同的观测数据连接成轨迹。具体来说，MOT方法可分为在线MOT和离线MOT两类(表4)。在线数据关联在处理每一帧时，只使用直到当前帧为止已经获取到的观测信息，以进行目标的关联和跟踪。与在线方法不同，离线数据关联考虑了全局观测数据，需要考虑到完整的数据，可能不适用于实时应用，但对于辅助标注工作是理想的。在之前的研究[49]中已经提出了许多离线方法。其中，将MOT数据关联构建为全局聚类问题取得了很大的成功[81]。

5.行为分类

行为分类(Action Classification, AC)模型就是这样一个将时空信息映射到动作类别的模型。许多研究都考虑了利用特征和设计模型结构的方法。其中，行为分类 (AC)方法可分为RGB AC、RGB + Flow AC、Pose AC、RGB + Pose AC、RGB + Flow + Pose AC 5类，如图4所示。基于这5个类别，我们在表5中列出了相应的研究。

6. 提出的ASAD数据集和评估指标

给定一个视频，参与者识别时空动作检测 (ASAD)的目标是检测每个参与者的时空边界(即tracklets/actor tubes)，为每个参与者分配一个唯一的身份，获取参与者在每个时刻的动作。因此，ASAD数据集应该包括这些因素，ASAD指标应该验证这些因素的性能。

6.1.ASAD数据集

通过回顾现有的动作识别数据集(第2节)，可以注意到一个适当的ASAD数据集可能是不可用的。尽管现有的Spatiotemporal Action Detection (SAD)数据集可能与我们想要的ASAD数据集相似，但在SAD数据集中参与者身份没有被正确地注释。我们以UCF101+ROAD数据集[63]和AVA数据集[26]为例，说明SAD和ASAD数据标注的差异(图5和图6)。UCF101+ROAD数据集中，时空边界是不完整的。由于角色识别不是SAD关注的问题，在预定义的动作完成后，时空标注是不可用的。而ASAD中的标注则需要完成整个视频中每个参与者的时空边界，无论所定义的动作是否完成。在AVA数据集中，尽管给出了参与者id，但在一个视频中为同一个参与者分配了多个参与者id，这对于参与者标识来说是不正确的。出于参与者标识的目的，应该为一段视频中的每个参与者分配唯一的参与者ID。此外，虽然一些远程监控视频数据集具有时空边界、角色身份和角色类，但它们集中于特殊场景(如远程监控)，可能不适用于一般的ASAD研究。例如Okutama数据集[2]和PANDA[71]只记录了很小规模的演员，覆盖了一小群人类的日常活动。

图6:以AVA[26]为例，比较SAD和ASAD参与者ID标注。在单个视频中，现有的SAD数据集可以为同一个参与者分配多个参与者ID，而我们的ASAD为参与者分配唯一的参与者ID。

由于上述原因，我们有动机对新的ASAD数据集进行注释。与SAD数据集相比，ASAD数据集需要添加正确的参与者身份。由于AVA数据集[26]是一个规范SAD数据集，而TAO数据集[14]提供了一些参与者身份标注，所以我们选择了AVA数据集的一部分作为ASAD数据集(图7)。注意，我们主要选择了有可见参与者和多个参与者可用的视频剪辑。同时，由于繁重的标注成本，在430个AVA视频剪辑中只选择了77个。我们将我们的ASAD数据集命名为A-AVA，它表示参与者识别的AVA数据集。A-AVA数据集包含47个训练视频和30个测试视频。和AVA数据集一样，A-AVA数据集有80个动作类别，每25帧(约1秒)给出一次注释。在A-AVA数据集中，时空边界、参与者身份和相应的动作都被标注。图8展示了更多示例。

我们在图9中展示了我们的A-AVA数据集的历史角色。作为专门为ASAD研究设计的第一个数据集，A-AVA数据集涵盖了丰富的视频场景，如室内和室外、一天中的不同时间、各种参与者尺度等。这些属性在之前的数据集(即Okutama数据集)中是不可用的。AAVA数据集弥补了SAD数据集和参与者识别数据集之间的差距。

6.2.ASAD的评估指标

当考虑多标签行为时，ASAD评估可能是一个复杂的任务。与单标签SAD评价[25]不同，利用空间检测同时评价多标签动作分类和行动者识别具有挑战性。为了解决这一问题，我们建议从三个方面来评估ASAD，然后考虑其整体性能。这三个方面包括空间检测评价、参与者识别评价和多标签行为分类评价(图10)。

7. 实验

7.1. ASAD Framework

7.2. Experiment Results

7.3.讨论

为什么离线MOT在我们的A-AVA数据集中在参与者识别方面有更好的性能?对于静态摄像机记录，运动一致性是数据关联的一个重要线索。相反，对于非静态摄像机记录，运动一致性假设可能会失败。当视频中的视角突然改变时，追踪参与者的正确身份是一项挑战。这个问题在电影和电话录制的视频中经常发生(图13)。大多数在线MOT方法(如[77])可能会过度依赖运动一致性，从而导致我们的A-AVA数据集出现故障。使用离线MOT通过更多地根据观察结果的外观相似性来确定它们之间的对应关系，从而缓解了这个问题。此外，离线MOT解决方案利用全局信息进一步减少ID切换，并生成鲁棒的参与者识别结果。

8.总结

本文提出了一种新的任务——参与者识别时空动作检测(ASAD)，它标志着计算机视觉领域首次联合研究时空边界、参与者身份和相应动作。ASAD非常适合包含多个角色的动作识别应用程序，如人机交互、篮球/足球比赛和杂货店操作监控等。为了研究ASAD，我们很高兴能够提供相应的a - ava数据集。作为第一个专门为ASAD研究设计的数据集，A-AVA数据集已经在SAD数据集和参与者识别数据集之间架起了桥梁。我们还提出了考虑多标签行为和参与者识别的ASAD评估指标。这是在ASAD如此复杂的任务中第一个评估指标。

除了上述成功之外，值得注意的是，我们的ASAD研究也存在一些局限性:

•考虑到较高的标注成本，我们提出的ASADdataset的规模仍然相对较小。同时，由于动作标签的定义可能不明确，所以动作注释可能不准确。例如，在连续时间域中很难判断“走”与“跑”的边界。或者，如果不包含音频信息，就很难判断是谁在说话。这些问题可能会影响ASAD研究。为了解决这个问题，有必要使用更多的注释器来执行高质量的注释。

•因为评估ASAD结果是复杂的，我们分别评估了空间检测、参与者识别和多标签动作分类。因此，ASAD的总体性能由多个度量值表示。然而，在理想的情况下，我们希望使用一个单一的度量值来代表整个ASAD性能。考虑到我们的每一个ASAD度量(例如，HL@0.5)都是从一个复杂的公式中获得的，将它们集成到一个单一的度量值是具有挑战性的。为了找到解决办法，需要进一步的探索。由于我们在ASAD任务中提出了这个问题，所以在以后的工作中可能会得到解决。

我们正在考虑在未来的工作中解决这些问题。

这篇论文不是结束，而是开始的步骤，我们很高兴能与研究界合作，更深入地探索ASAD。我们认为，将参与者识别与时空动作检测相结合，可以促进视频理解等领域的研究。

七77.
关注
  • 19
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Connecting Generative Adversarial Network and Actor-Critic Methods.pdf
04-09
Connecting Generative Adversarial Network and Actor-Critic Methods.pdf
actor-critic.rar_Actor Critic_actor critic 网络_actor-critic_plain
07-14
基于actor-critic的DDPG强化学习算法
actor-framework：C ++中Actor模型的开源实现
02-27
CAF：C ++ Actor框架 CAF是C ++ actor模型的开源实现，具有轻量级和快速的actor实现，消息的模式匹配，网络透明消息传递等。 在线资源 主页： : 开发者博客： : 手册： : Doxygen ： : 报告错误/获得帮助 GitHub上的未解决问题： : 在StackOverflow上提问： : //stackoverflow.com/questions/ask tags c++-actor-framework 社区 聊天： : 推特： : 用户邮件列表： : 开发人员邮件列表： : 功能提案： : 获取CAF FreeBSD端口 我们为CAF维护一个端口，您可以按照以下步骤进行安装： pkg install caf 另外，您可以在安装端口之前转至/usr/ports/devel/caf并调整一些配置选项：
强化学习 12 —— Actor-Critic 算法介绍与 Tensorflow 2.0 实现
靡不有初鲜克有终
08-22 4011
一、Actor-Critic 介绍 1、引入 Actor-Critic 我们还是从上篇强化学习——REINFORCE Algorithm推导出的目标函数的梯度说起： ∇θJ(θ)=Eπθ[∑t=0T−1Gt⋅∇θ  log  πθ(at∣st)] \nabla_\theta J(\theta) = E_{\pi_\theta} \left[\sum_{t=0}^{T-1}G_t\cdot \nabla_\theta\;log\;\pi_\theta(a_t|s_t) \right] ∇θ​J(θ)=Eπθ​
Actor-Critic算法
m0_61616957的博客
09-20 1万+
强化学习
深度增强学习（DRL）漫谈 - 从AC（Actor-Critic）到A3C（Asynchronous Advantage Actor-Critic）
热门推荐
世事难料，保持低调
06-04 5万+
原文地址：http://blog.csdn.net/jinzhuojun/article/details/72851548 前言 之前在文章《深度增强学习（DRL）漫谈 - 从DQN到AlphaGo》扯了一些关于DRL的内容，但因为是以DQN为主线，其中大部分谈的是value-based方法。我们知道传统增强学习（Reinforcement learning, RL）中除了value-ba
Actor-Critic(A2C)算法 原理讲解+pytorch程序实现
qq_44949041的博客
05-06 8708
Actor-Critic（A2C）算法时强化学习中一种基于策略梯度（Policy Gradient）和价值函数（Value Function）的强化学习方法，通常被用于解决连续动作空间和高维状态空间下的强化学习问题。本文将详细推导Actor-Critic的实现过程并且附上基于pytorch实现的代码，最后给出算法优缺点分析和使用心得。
【强化学习】Actor-Critic（演员-评论家）算法详解
谁最温柔最有派
04-22 1万+
1 Actor Critic算法简介 1.1 为什么要有Actor Critic Actor-Critic的Actor的前身是Policy Gradient，这能让它毫不费力地在连续动作中选取合适的动作，而Q-Learning做这件事会瘫痪，那为什么不直接用Policy Gradient呢，原来Actor-Critic中的Critic的前身是Q-Learning或者其他的以值为基础的学习法，能进行单步更新，而更传统的Policy Gradient则是回合更新，这降低了学习效率。 现在我们有两套不同的体系，A
深度强化学习之Policy Gradient & Actor-Critic Model & A3C
I AM BACK
01-12 7195
policy gradient actor-critic A3Cpolicy gradient在之前的DQN是进行value function的approximation，是value-vased RL。这次要讲的是policy-based RL。对于RL的policy直接进行参数表示：比如可以输入state（一幅图片，一个feature vector），然后由带有参数的某种算法（比如linear
【学习强化学习】九、Actor-Critic算法原理及实现
weixin_42301220的博客
03-06 5652
文章目录参考资料1. Actor-Critic框架原理1.1 基本介绍1.2 原理分析1.3 Advantage Actor-Critic1. A2C引入2. A2C流程3. tips2. A3C2.1 A3C理解2.2 A3C运作机理2.3 算法大纲3. Pathwise Derivative Policy Gradient3.1 算法流程3.2算法相对于DQN的改变4. 练习1. A3C在训练时有很多的worker进行异步的工作。那么其具体的如何运作的呢？2. A3C是on-policy还是off-po
protoactor-go：Proto Actor-用于Go，C＃和JavaKotlin的超快速分布式actor
02-25
跨平台演员 介绍Go和C＃之间的跨平台参与者支持。 我可以用这个吗？ Go实施仍处于测试阶段，已经有... 超快速远程处理，Proto Actor目前设法仅使用两个actor在节点之间每秒传递超过200万条消息，同时仍保持消息顺序！
elm-actor-framework-template-html
05-01
该模块使用Elm Actor Framework -Templates包中的共享类型。 这些包的目标是能够提供不同的解析器和渲染器。解析HTML模板（使用 ） 渲染HTML（使用 ）解析Markdown（使用 ） 如果没有列出的其他模板包，此模块仍可...
DRL---------------Actor-Critic/DDPG
爱吃火锅的博客
08-08 4405
从名字就可以看出其是PG（关于什么是PG，可以参看https://blog.csdn.net/weixin_42001089/article/details/81478628）的升级版 首先说一下Actor-Critic（AC），之前所说的PG是在一个游戏回合结束之后才更新PG中DL的网络参数的。而AC主要就是看不惯这一点，他就是要改变这一现状，即实现单步更新的壮举。还有一点就是输出的不再是一些...
【深度强化学习】(4) Actor-Critic 模型解析，附Pytorch完整代码
博观而约取，厚积而薄发
03-11 1万+
行动者评论家方法是由行动者和评论家两个部分构成。行动者用于选择动作，评论家评论选择动作的好坏。Critic 是评判网络，当输入为环境状态时，它可以评估当前状态的价值，当输入为环境状态和采取的动作时，它可以评估当前状态下采取该动作的价值。Actor 为策略网络，以当前的状态作为输入，输出为动作的概率分布或者连续动作值，再由 Critic 网络来评价该动作的好坏从而调整策略。
Soft Actor-Critic 论文笔记
geter_CS的博客
06-02 9583
无模型深度强化学习算法（Model-free DRL）有两个主要缺点： 1.非常高的样本复杂性（需要与环境进行大量交互产生大量样本） 2.脆弱的收敛性（它的收敛性受超参数影响严重：学习率，探索常量等等） 这两个缺点限制了其应用于复杂的真实世界任务。 有些同策略算法（On-policy）样本效率低。比如TRPO，A3C，PPO等是同策略，他们每一步梯度计算都需要新的样本收集。而异策略算法（Off-p......
机器视觉检测为什么是工业生产的刚需？
bjcyck的博客
04-25 660
例如，如果一个工厂需要检测电路板上的元件是否正确放置，可以使用LabVIEW开发一个视觉系统，通过摄像头拍摄电路板的照片，然后使用LabVIEW的图像处理工具箱中的模式匹配功能来自动检测每个元件的位置和方向是否正确。这样的系统可以大大提高检测速度和准确性，同时减少人为错误。例如，在生产线上，机器视觉可以迅速识别产品上的瑕疵，如划痕、不良形状等，从而确保只有合格的产品被送往下一步生产或出货。总之，机器视觉检测技术的引入，不仅提升了生产效率和产品质量，同时也是工业自动化和智能制造进程中的关键技术。
node-v4.8.6-win-x64.zip
05-07
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
基础运维技能（下）md格式笔记
最新发布
05-07
基础运维技能（下）md格式笔记
node-v8.1.2-linux-armv7l.tar.xz
05-07
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
ppo actor-critic
06-20
pp actor-critic算法结合了ppo和actor-critic的两种算法，是一种新的策略优化算法。它通过使用ppo算法对策略进行优化，并使用actor-critic算法来学习和估计策略价值。在这种模型中，actor负责生成动作，critic负责...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值