Agent采取动作与动态系统交互,系统将观测值反馈给agent.为了控制系统或者预测系统未来的观测值,需要为动态系统建模.早些时候,较为广泛的解决方法是用POMDP模型给系统建模.Littman,Sutton和Singh (2002)提出了为离散动态系统建模的新方法：预测状态表示(Predictive Representations of State).PSRs优点在于在于并不像POMDP那样需要系统的隐藏状态,而只是通过预测系统反馈给agent的观测值序列来表示系统的状态.并且PSRs模型比POMDP模型更简洁.PSRs的两个核心问题是要找出那些能够表示系统状态的动作-观测值序列,和学习影响系统的参数.最近的几年中,学者们提出了多种方法来解决这两个问题,还提出了PSRs模型的规划方法,并且将PSRs扩展到其他的模型中.本论文将综述了上述的方法.
医学图像中感兴趣区域ROI (Region Of Interest)通常包含重要的信息,对医生分析和诊断具有重大的意义,所以ROI检测是医学图像处理与分析的重点。本文结合数字乳腺图像特点,运用机器学习方法和图像处理技术,针对数字乳腺图像的肿块识别...
详细信息
医学图像中感兴趣区域ROI (Region Of Interest)通常包含重要的信息,对医生分析和诊断具有重大的意义,所以ROI检测是医学图像处理与分析的重点。本文结合数字乳腺图像特点,运用机器学习方法和图像处理技术,针对数字乳腺图像的肿块识别提出一种基于Cascade结构的ROI检测方法。该方法将代价敏感的分类算法和Cascade结构有效地结合,具有高敏感性和高效率。实验结果表明该方法能有效检测出乳腺图像中的肿块ROI,与基于像素的方法相比计算量小、效率高;与基于区域的方法相比避免了直接使用传统的图像分割和滤波技术难以有效检测ROI的问题。
暂无评论