【论文标题】具有多智能体强化学习功能的边界感知型Supervoxel级迭代改进的交互式3D图像分割Boundary-aware Supervoxel-level Iteratively Refined Interactive 3D Image Segmentation with Multi-agent Reinforcement Learning

【作者团队】Chaofan Ma,Qisen Xu,Xiangfeng Wang,Bo Jin,Xiaoyun Zhang,Yanfeng Wang,Ya Zhang

【发表时间】2021-02-04

【论文链接】https://arxiv.org/abs/1911.10334

【推荐理由】交互式分割，以通过迭代地合并用户提示来有效地获取高质量的分割蒙版。尽管本质上是迭代的，但大多数现有的交互式细分方法都倾向于忽略连续交互的动力学，并独立进行每个交互。该文在这里建议使用马尔可夫决策过程（MDP）为迭代交互式图像分割建模，并通过强化学习（RL）进行解决，其中每个体素均被视为代理。考虑到体素方向预测的巨大探索空间以及相邻体素之间对分割任务的依赖性，采用多智能体强化学习，其中体素之间共享体素级策略。考虑到边界体素对于细分更为重要，文章进一步介绍了一种边界感知奖赏，其中包括以相对交叉熵增益形式的全局奖赏，用于在约束方向上更新策略，以及以相对权重形式的边界奖赏，以强调策略的正确性。为了结合不同类型的交互的优点，即简单高效的点单击，以及稳定而鲁棒的涂鸦，文章提出了一种基于超级体素单击的交互设计。在四个基准数据集上的实验结果表明，所提出的方法明显优于最新技术，具有交互少，准确性高和鲁棒性强的优点。

内容中包含的图片若涉及版权问题，请及时与我们联系删除