尹彭阳 基于最大熵的最优阈值选择,使用确定性强化学习和受控随机化。 (英语) Zbl 0995.68082号 信号处理。 82,第7期,993-1006(2002). 摘要:传统的基于最大熵的阈值分割方法在两级阈值分割中非常流行且有效。但是,当扩展到多级阈值时,它们的计算量非常大,因为为了最大化后验熵,不可避免地需要穷尽搜索最优阈值。本文提出了一种用于最大熵阈值的强化学习方法。我们表明,使用最大熵准则找到最佳阈值相当于学习RL问题的最优策略。因此,在RL中广泛使用的强大的Q学习算法可以用来消除最大熵阈值方法的计算负担。实验结果表明,该方法适用于多级阈值分割,性能优于基于遗传算法的熵阈值分割方法。 引用于2文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 68周05 非数值算法 68平方英寸10 图像处理的计算方法 关键词:遗传算法;图像分割;最大熵准则;多级阈值化;学习算法;强化学习 PDF格式BibTeX公司 XML格式引用 \textit{P.-Y.Yin},信号处理。82,第7号,993--1006(2002;Zbl 0995.68082) 全文: 内政部