基于局部策略的强化学习用于三维医学图像解剖标志点定位
计算机视觉与模式识别
2019-01-03 v2 机器学习
摘要
借助长期累积回报的思想，强化学习已在多个领域展现出卓越性能。我们将三维医学图像中的标志点定位表述为一个强化学习问题。尽管基于值的方法已被广泛用于解决类似问题，我们采用一种基于 actor-critic 的直接策略搜索方法，构建于时序差分学习框架中。在大型状态空间和/或动作空间中，成功的行为学习具有挑战性，需要大量试验。我们引入基于局部策略的强化学习，通过在较小的局部域上学习最优策略来解决定位这一大型问题。独立的 actor 高效学习相应的局部策略，各自利用其独立的 critic。所提出的由局部策略进行的策略重构，确保了利用子智能体在各自局部动作空间中求解简单二元决策问题，实现鲁棒且高效的定位。与原始行为学习方案相比，所提出的强化学习仅需少量试验即可学习最优行为。
引用
@article{arxiv.1807.02908,
title = {Partial Policy-based Reinforcement Learning for Anatomical Landmark Localization in 3D Medical Images},
author = {Walid Abdullah Al and Il Dong Yun},
journal= {arXiv preprint arXiv:1807.02908},
year = {2019}
}