强化学习在神经纤维束追踪中的关键因素

May, 2023

强化学习在神经纤维束追踪中的关键因素

What Matters in Reinforcement Learning for Tractography

Antoine Théberge, Christian Desrosiers, Maxime Descoteaux, Pierre-Marc Jodoin

TL;DR本文通过训练 7,400 个模型总计接近 41,000 小时的 GPU 时间，全面探究了深度强化学习在白质束重建中的应用方式，比较了 RL 算法、种子策略、输入信号和奖励函数等部件的优缺点，提出了一系列使用建议，并开放代码库、训练模型和数据集，以促进未来深度强化学习在该领域的研究。

Abstract

Recently, deep reinforcement learning (RL) has been proposed to learn the tractography procedure and train agents to reconstruct the structure of the white matter without manually curated reference streamlines. W

deep reinforcement learning tractography rl algorithm input signal reward function

发现论文，激发创造

TractOracle: 为基于强化学习的径迹重建术提供解剖学导向的奖励函数

该研究提出了一种基于强化学习的 TractOracle 系统，通过训练基于分类的奖励网络，既作为训练的奖励函数，也用于提前停止跟踪过程，从而减少虚假阳性的轨迹，从而实现了对白质纤维束轨迹的同时评估和重建，取得了近 20％的真阳性比例提高和 3 倍虚假阳性比率降低的改进及另一数据集中 2 倍至 7 倍真阳性纤维束数量的增加。

Mar, 2024

强化学习下主动的 MR k 空间采样

本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

Jul, 2020

医学影像中的深度强化学习：文献综述

这篇论文综述了深度强化学习在医学成像中的应用，分别从深度强化学习的基础知识、医学成像领域的应用及未来展望等方面进行了解析。

Mar, 2021

基于点云强化学习的主动搜索和覆盖

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

用于强化学习的无监督表示轻量级探测

本文提出了使用线性探测任务评估强化学习中视觉预训练算法效果的方法，通过与实际下游控制表现的相关性进行实验，优化了现有自监督学习配方的方法，突出了前向模型、视觉主干大小和无监督目标的重要性。

Aug, 2022

视频视觉目标跟踪的深度强化学习

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017

无监督感知奖励用于模仿学习

利用深度模型学习中间视觉表示的抽象能力来从少量的演示序列中快速推断知觉奖励函数，以便在真实世界环境中使用强化学习智能体执行任务。

Dec, 2016

TrackAgent: 通过强化学习进行 6D 物体追踪

追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

Jul, 2023

基于深度强化决策的实时视觉跟踪

该研究提出了一种基于深度强化学习方法构建的模板选择策略的实时视觉追踪算法，该算法可有效应对模型更新导致的跟踪偏移问题，可在实时速度下以 43fps 跑动。

Feb, 2017

无需奖励工程的端到端机器人强化学习

本论文提出一种通过少量成功案例、以及主动请求用户进行标注来使机器人无需人工指定奖励函数以学习技能的方法，有效地避免了人工设计感知流水线或在环境中添加附加传感器等不便之处。我们通过实验验证了该方法的可行性，并证明该方法可使机器人从图像中直接学习知识，且仅需 1-4 个小时与实际世界进行交互。

Apr, 2019