ty -jour a2 -yáñez -márquez，cornelio au -cai -cai，lei au -luo -luo，peien au -Zhou -Zhou，guangfu au -xu -xu，tao au -chen -chen，zhenxue py -2020 da -2020 da -2020/01/31 ti -31 ti -ti -proppiptive光场通过转移增强学习SP -8989752 VL -2020 AB的重建方法与传统成像相比，光场包含更全面的图像信息和更高的图像质量。但是，用于光场重建的可用数据受到限制，数据的重复计算严重影响了多效光场重建的准确性和实时性能。为了解决问题，本文提出了基于转移强化学习的多效光场重建方法。首先，建立了相似性测量模型。根据源域和目标域的相似性阈值，强化学习模型或特征传递学习模型是自主选择的。其次，建立了增强学习模型。该模型使用多基因（即多验）Q学习来学习与目标域和源域最相似的功能集，并将其馈回源域。该模型增加了源域样品的能力，并提高了光场重建的准确性。最后，建立了功能传输学习模型。 The model uses PCA to obtain the maximum embedding space of source-domain and target-domain features and maps similar features to a new space for label data migration. This model solves the problems of multiperspective data redundancy and repeated calculations and improves the real-time performance of maneuvering target recognition. Extensive experiments on PASCAL VOC datasets demonstrate the effectiveness of the proposed algorithm against the existing algorithms. SN - 1687-5265 UR - https://doi.org/10.1155/2020/8989752 DO - 10.1155/2020/8989752 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -