提出了一种用于在场景中定位目标物体的主动检测模型，该模型是类特定的，并允许代理集中注意力于识别目标物体的候选区域，通过深度强化学习训练定位代理，并在 Pascal VOC 2007 数据集上评估，结果表明，使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例，并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。

Nov, 2015

本文通过机器人视觉输入来学习其在室内环境中寻找感兴趣物体的导航策略，并提出了一种基于深度学习和强化学习的新型框架，结合了目标识别模块和动作预测机制，并使用一种新的衰减奖励函数来验证所提方法的有效性，通过模拟和实际机器人实验表明了其方法在平均轨迹长度和成功率方面优于竞争方法。

Jul, 2018

本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

Aug, 2022

这篇研究论文介绍了一种使用端到端的深度强化学习解决方案来优化移动 3D 传感器的轨迹，以便在整体场景中找到特定的物体并被点云覆盖，实现尽快的目标搜索和覆盖。

Dec, 2023

本文提出了一种协作学习策略的算法，通过两个深度网络分支相互学习并解决注意力和联合信息传输的问题，实现鲁棒的手部和物体位姿估计与三维重建。

Apr, 2022

本文介绍一种通过深度强化学习的方式，结合空间和时间情境及自然语言先验知识，移动和重塑边界框以定位描述中的物体，从而实现自然语言目标检索任务。作者实验表明，该方法在多个数据集上均优于现有算法，特别在 ReferItGame 数据集上，该方法相比 GroundeR 和 SCRC 的准确率分别提高了 7.67％和 18.25％。

Mar, 2017

本文提出了一种用于从图像中快速定位显着对象并基于定位精确分割对象的方法，该方法采用多层卷积神经网络框架，并使用潜变量在联合优化方面进行协作，取得了比其他最先进的方法更高的准确性和效率。

Feb, 2015

本文提出了一种使用深度强化学习引导的层级目标检测方法，通过选择含有更多信息的图像部分并对其进行放大来不断迭代提高图像的分析效果，并比较了两种不同的候选对象建议策略，以指导对象搜索，实验表明，采用重叠的候选建议策略和为每个区域建议计算特征映射的第一种策略能够取得更好的结果。

Nov, 2016

通过利用部分可观察的马尔可夫决策过程来建模对象搜索，结合人类世界（例如，八叉树和相关性）和人机交互中的结构（例如，空间语言）进行建模，可以实现一种实用且高效的广义对象搜索系统。

Jan, 2023

本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

Mar, 2021