82、全切片图像上基于可微缩放的多实例学习

于 2025-10-01 13:26:35 发布
阅读量55 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： ECCV 2022精华解读 文章标签： ZoomMIL 多实例学习 全切片图像
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/o1p2q3r/article/details/152548223

全切片图像上基于可微缩放的多实例学习

1. 数据集信息

在20倍放大倍数下，CRC、BRIGHT和CAMELYON16数据集的组织区域内（像素，补丁）平均数量分别为（2.2728亿像素，3468个）、（10.4亿像素，15872个）和（6.4828亿像素，9892个）。

2. 实现细节
  • 预处理 ：
    1. 使用高斯组织检测器检测每个全切片图像（WSI）的组织区域。
    2. 在所有考虑的放大倍数下，将组织划分为256×256的补丁。
    3. 确保每个高倍放大补丁与相应的低倍放大补丁相关联。
    4. 使用在ImageNet上预训练的ResNet - 50对补丁进行编码，并在第三个残差块后应用自适应平均池化以获得1024维嵌入。
  • ZoomMIL模块 ：
    • 门控注意力模块由三个2层多层感知器（MLP）组成，前两个分别后跟双曲正切和Sigmoid激活函数。
    • 分类器是一个带有ReLU激活函数的2层MLP。
    • 在所有全连接层中使用0.25的丢弃概率。
  • 整体实现 ：
    • 所有方法都在PyTorch中实现，并在单个NVIDIA A100 GPU上运行。
    • ZoomMIL在CRC、BRIGHT和CAMELYON16数据集上分别使用K = {16, 12, 300}，更高效的变体ZoomMIL - Eff在CRC和BRIGHT上分别使用K = {12, 8}。
    • 使用Adam优化器，学习率为0.0001，并使用高原调度器（耐心 = 5个周期，衰减率 = 0.8）。
    • 实验运行100个周期，批量大小为1。
    • 对于CRC和CAMELYON16，保存验证损失最佳的模型进行测试。在BRIGHT上，使用最佳验证加权F1分数进行模型选择。
3. 对比基线方法

与以下最先进的多实例学习（MIL）方法进行比较：
- ABMIL：使用门控注意力池化。
- CLAM：ABMIL的变体，还包括实例级聚类损失。
- TransMIL：使用基于变压器的池化来建模实例级依赖关系。
- SparseConvMIL：选择随机补丁子集并使用稀疏卷积进行池化。
- MSMIL和DSMIL：多尺度方法，但计算效率低于ZoomMIL。
- MaxMIL和MeanMIL：基于最大池化和平均池化的传统MIL方法。

4. 实验结果

以下是不同数据集上的性能和效率测量结果：
| 数据集 | 方法 | 加权F1(%) | 准确率(%) | TFLOPs | 时间(s) |
| — | — | — | — | — | — |
| CRC | MaxMIL (20×) | 82.2±0.9 | 82.2±1.2 | 0.96 | 0.13 |
| CRC | MeanMIL (20×) | 84.3±0.8 | 84.1±1.2 | 0.96 | 0.12 |
| CRC | SparseConvMIL (20×) | 89.6±1.3 | 89.6±0.9 | 0.96 | 0.13 |
| CRC | ABMIL (20×) | 90.1±0.6 | 90.2±0.5 | 13.63 | 4.85 |
| CRC | CLAM - SB (20×) | 90.9±0.6 | 90.9±0.5 | 13.63 | 4.85 |
| CRC | TransMIL (20×) | 89.8±1.1 | 90.2±0.9 | 13.63 | 4.85 |
| CRC | MSMIL (5× + 10× + 20×) | 84.6±0.1 | 84.9±0.2 | 17.88 | 6.37 |
| CRC | DSMIL (5× + 10× + 20×) | 91.1 ± 1.1 | 91.2 ± 1.1 | 17.94 | 6.37 |
| CRC | ZoomMIL - Eff (5× →10×) | 90.3±1.3 | 90.3±1.3 | 1.06 | 0.38 |
| CRC | ZoomMIL(5× →10× →20×) | 92.0 ± 0.6 | 92.1 ± 0.7 | 1.40 | 0.50 |
| BRIGHT | MaxMIL (10×) | 46.8±3.7 | 51.3±1.7 | 0.96 | 0.13 |
| BRIGHT | MeanMIL (10×) | 44.9±2.8 | 47.1±0.1 | 0.96 | 0.12 |
| BRIGHT | SparseConvMIL (10×) | 53.2±3.6 | 55.3±3.7 | 0.96 | 0.13 |
| BRIGHT | ABMIL (10×) | 63.5±2.7 | 65.5±1.9 | 16.45 | 5.86 |
| BRIGHT | CLAM - SB (10×) | 63.1±1.7 | 64.3±1.7 | 16.45 | 5.86 |
| BRIGHT | TransMIL (10×) | 65.5±2.8 | 66.0±2.7 | 16.46 | 5.86 |
| BRIGHT | MSMIL (1.25× + 2.5× + 10×) | 61.7±0.6 | 62.5±1.1 | 21.59 | 7.69 |
| BRIGHT | DSMIL (1.25× + 2.5× + 10×) | 63.1±1.6 | 64.0±1.1 | 21.66 | 7.69 |
| BRIGHT | ZoomMIL - Eff (1.25× →2.5×) | 66.0 ± 1.9 | 66.5 ± 1.5 | 0.40 | 0.14 |
| BRIGHT | ZoomMIL(1.25× →2.5× →10×) | 68.3 ± 1.1 | 69.3 ± 1.0 | 1.29 | 0.46 |
| CAMELYON16 | MaxMIL(20×) | 64.0±3.0 | 67.1±0.9 | 0.96 | 0.13 |
| CAMELYON16 | MeanMIL (20×) | 63.5±1.1 | 65.9±1.6 | 0.96 | 0.12 |
| CAMELYON16 | SparseConvMIL (20×) | 67.7±0.6 | 68.7±0.1 | 0.96 | 0.13 |
| CAMELYON16 | ABMIL (20×) | 83.2±1.7 | 84.0±1.3 | 39.12 | 13.92 |
| CAMELYON16 | CLAM - SB (20×) | 83.3±1.5 | 84.0±1.3 | 39.12 | 13.92 |
| CAMELYON16 | TransMIL (20×) | 83.6 ± 2.6 | 85.3 ± 1.9 | 39.12 | 13.92 |
| CAMELYON16 | MSMIL (10× + 20×) | 81.4±1.1 | 82.4±1.0 | 48.87 | 17.41 |
| CAMELYON16 | DSMIL (10× + 20×) | 78.5±0.42 | 79.6±0.3 | 48.95 | 17.41 |
| CAMELYON16 | ZoomMIL(10× →20×) | 83.3 ± 0.3 | 84.2 ± 0.4 | 14.94 | 5.32 |

从这些结果可以看出：
- 分类性能 ：
- 在CRC数据集上，ZoomMIL在加权F1分数上比CLAM - SB和TransMIL分别高出1.1%和2.2%，ZoomMIL - Eff也取得了相当的性能。
- 在BRIGHT数据集上，ZoomMIL取得了最佳性能，在加权F1分数上比MSMIL高6.6%，比CLAM - SB和DSMIL高5.2%，比TransMIL高2.8%，ZoomMIL - Eff取得了第二好的结果。
- 在CAMELYON16数据集上，ZoomMIL的平均准确率比TransMIL低1.1%，但仅导致1 - 2个测试WSI分类错误。
- 效率方面 ：
- 在CRC上，ZoomMIL比CLAM - SB和TransMIL使用的FLOPs和时间少约10倍，比MSMIL和DSMIL多减少超过12倍。
- 在BRIGHT上，ZoomMIL - Eff比MSMIL和DSMIL减少超过50倍的计算需求，比CLAM - SB和TransMIL减少超过40倍。
- 在CAMELYON16上，ZoomMIL使用的FLOPs约为MSMIL、DSMIL、CLAM - SB和TransMIL的1/3。

以下是ZoomMIL在BRIGHT数据集上的吞吐量与分类准确率的关系图示意（此处无法实际展示图，仅文字说明）：
在单核心CPU和NVIDIA A - 100 GPU上分别展示了不同MIL方法的吞吐量与分类准确率的关系，标记的效率前沿曲线表示不同最小吞吐量要求下的最佳可能准确率。值得注意的是，在单核心CPU上运行的ZoomMIL - Eff（约300图像/小时）提供了与在先进NVIDIA A100 GPU上运行的MSMIL、DSMIL、CLAM - SB和TransMIL（约500 - 600图像/小时）相似的吞吐量。

5. 可解释性分析

通过定性分析ZoomMIL的补丁级注意力图来进行解释：
- 在BRIGHT的癌症WSI上，ZoomMIL正确关注癌症区域，对癌前区域关注度较低，对非癌区域关注度最低。
- 在CAMELYON16的转移WSI上，对于不同大小的转移区域，ZoomMIL能给予高关注，但对于极小的转移灶，关注度低，可能导致误分类。不过，对于有微小转移的情况，相对较高的注意力会赋予组织周边，这与转移通常出现在淋巴结的被膜下区域的事实相符。

6. 消融实验

对ZoomMIL - Eff的不同模块进行消融实验，结果如下：
| 实验类型 | 方法 | 加权F1(%) | 准确率(%) |
| — | — | — | — |
| 补丁选择 | Random K @ 1.25× | 61.0 | 61.0 |
| 补丁选择 | Random 4K @ 2.5× | 59.6 | 60.0 |
| 补丁选择 | NonDiff - TopK K @ 1.25× | 59.9 | 60.0 |
| 补丁选择 | Diff - TopK K @ 1.25× (Ours) | 68.1 | 68.0 |
| 注意力机制 | Single GA @ 1.25× | 59.6 | 61.0 |
| 注意力机制 | DGA @ 1.25× (Ours) | 68.1 | 68.0 |
| 特征聚合 | Features @2.5× | 62.7 | 63.5 |
| 特征聚合 | Features @1.25× || @2.5× | 64.9 | 65.0 |
| 特征聚合 | Features @1.25× + @2.5× (Ours) | 68.1 | 68.0 |

从消融实验结果可以得出：
- 可微补丁选择 ：基于注意力的可微补丁选择（Diff - TopK）优于随机选择和非可微Top - K选择。
- 双门控注意力 ：双门控注意力（DGA）比单门控注意力在补丁选择和幻灯片表示上更优，从而提高了整体分类性能。
- 特征聚合 ：基于残差学习的求和池化比仅使用最高放大倍数特征和特征拼接更能有效利用两个放大倍数的互补性，显著提高了性能。

ZoomMIL是一种用于WSI分类的新颖框架，在推理时比以前的最先进方法快一个数量级以上，同时实现了相当或更好的准确性。其可微缩放的概念允许模型学习哪些补丁是有信息的并值得放大。通过在三个不同数据集上的广泛定量和定性评估以及详细的消融实验，证明了模型各组件的重要性。未来可以进一步研究ZoomMIL的注意力图，并将其与病理学家的视觉注意力进行比较。

全切片图像上基于可微缩放的多实例学习

7. 方法优势总结

ZoomMIL及其变体ZoomMIL - Eff在全切片图像（WSI）分类任务中展现出了显著的优势，以下通过表格形式进行总结：
| 优势类型 | 具体优势 |
| — | — |
| 分类性能 | 在多个数据集上取得了优异的分类结果，如在CRC、BRIGHT数据集上超越了多种基线方法；在CAMELYON16数据集上也与先进方法表现相当。 |
| 计算效率 | 相比传统的多尺度方法（如MSMIL、DSMIL）和其他先进方法（如CLAM - SB、TransMIL），大幅减少了计算需求（FLOPs和处理时间），在不同数据集上均有体现。 |
| 可解释性 | 通过补丁级注意力图可以直观地了解模型的决策过程，对癌症区域、转移区域等的关注情况与实际病理情况相符。 |
| 模块有效性 | 消融实验证明了可微补丁选择、双门控注意力和基于残差学习的特征聚合等模块的有效性，提高了模型的整体性能。 |

8. 应用场景及潜力

ZoomMIL的特性使其在多个应用场景中具有巨大潜力：
- 临床诊断 ：其高效的计算性能和良好的分类准确性，能够在临床环境中快速处理大量的WSI，辅助病理学家进行疾病诊断，提高诊断效率和准确性。例如，在乳腺癌、结直肠癌等疾病的诊断中，可以快速判断是否存在癌症或转移情况。
- 癌症研究 ：可以用于癌症的亚型分类、预后预测等研究。通过对WSI的分析，挖掘更多的病理信息，为癌症的研究提供支持。
- 远程医疗 ：在医疗资源相对匮乏的地区，借助ZoomMIL的低计算需求特性，可以在有限的IT基础设施上实现WSI的分析，为远程医疗提供可能。

9. 未来研究方向

尽管ZoomMIL已经取得了不错的成果，但仍有一些值得深入研究的方向：
- 注意力图研究 ：进一步深入研究ZoomMIL的注意力图，了解其与病理学家视觉注意力的差异和相似之处，优化模型的决策过程，提高模型的可解释性和准确性。
- 模型优化 ：探索更有效的模块设计和参数调整方法，进一步提高模型的性能和效率，减少计算资源的消耗。
- 多模态融合 ：将WSI数据与其他模态的数据（如基因数据、临床信息等）进行融合，提高疾病诊断和预测的准确性。

以下是ZoomMIL未来研究方向的mermaid流程图： 

graph LR
    A[ZoomMIL] --> B[注意力图研究]
    A --> C[模型优化]
    A --> D[多模态融合]
    B --> B1[对比病理学家注意力]
    B --> B2[优化决策过程]
    C --> C1[改进模块设计]
    C --> C2[调整参数]
    D --> D1[融合基因数据]
    D --> D2[融合临床信息]
10. 总结

ZoomMIL是一种用于WSI分类的创新框架，具有高效、准确、可解释等优点。通过对不同数据集的实验验证和消融实验分析，证明了其各个模块的有效性。在临床诊断、癌症研究和远程医疗等领域具有广阔的应用前景。未来，通过进一步的研究和优化，ZoomMIL有望在医学图像分析领域发挥更大的作用，为疾病的诊断和治疗提供更有力的支持。

综上所述，ZoomMIL在全切片图像分类任务中展现出了强大的竞争力，其可微缩放的概念为模型的性能提升和效率优化提供了新的思路。随着研究的不断深入，相信ZoomMIL将为医学领域带来更多的突破和创新。

【病理图像】如何获取全切片病理图像的信息python版本
写代码的犄角旮瘩
09-28 1617
拿到一张全切片病理图像时，我们可以用QuPath查看，如下图：随着鼠标滚轮的滑动，我们可以看到更加具体的细胞状态，如下图：当然，我们也可以在看到当前全切片图像的一些信息，如下图：如果是10张以内的图像还好，我们可以一张一张打开查看，但是我们在实验中通常都是几百几千例的数据，因此，我们需要一种可以批量化的获取全切片病理图像信息的方法。我自己在实验中是用python进行处理，下文也仅展示python的代码。
纯小白为了实现Camelyon16 数据集的分割和特征提取（基于CLAM的代码和AutoDL服务器）所走的弯路
Hans_Y的博客
05-18 3016
此贴纯纯记录一下小半个月来的时间里为了复现 CLAM 走的弯路和心路历程。
81、全切片图像多实例学习的可微缩放技术
o1p2q3r的博客
09-30 50
本文介绍了一种名为ZoomMIL的新型多实例学习方法，用于全切片图像（WSIs）的高效分类。该方法通过可微缩放机制，在低放大倍数下选择感兴趣区域，并在高放大倍数下进行精细分析，实现了多尺度上下文感知的WSI表示。相比传统MIL方法，ZoomMIL显著提升了分类准确率，同时将计算成本降低至1/40-1/50，推理速度提高10-15倍。实验在CRC、BRIGHT和CAMELYON16三个公开数据集上验证了其优越性能。ZoomMIL具有高计算效率、多尺度灵活性和临床应用潜力，有望成为数字病理学中强有力的辅助诊断工
VLC-3.0全部详细参数
单眼皮的老虎的专栏
04-29 1万+
用法: vlc [选项] [流] ...您可以在命令行中指定多个流。它们将被加入播放列表队列。指定的首个项目将被首先播放。选项风格:  --选项  用于设置程序执行期间的全局选项。   -选项  单字母版本的全局 --选项。   :选项  仅对此选项之前的单条流生效，            且优先级高于先前的设置。流媒体 MRL 语法:  [[协议][/分流]://]URL[#[标题][:章节][...
漫谈计算摄像学
qq_37048794的博客
09-05 8464
什么是计算摄像学 计算摄像学(Computational Photography)是近年来越来越受到注意的一个新的领域，在学术界早已火热。本来计算摄像学的业界应用在群众中一直没什么知名度，直到Lytro公司推出了外观十分酷炫的光场相机，打着“先拍照再对焦”的噱头，这个学科一下子被很多研究领域以外的人开始注意到。那什么是计算摄像学呢？让我们看看清华大学和中科院的教授们怎么说[1]：
Rust开发：从入门到精通
YunWisdom
07-30 1247
在代码构成的数字山脉中，我们渴望寻得一条既能攀上性能之巅，又能稳立于安全之基的道路。这便是 Rust 的承诺：它不仅是一门编程语言，更是一种构建可靠软件的修行法门。它融合了底层控制的严谨与高层抽象的优雅，以独特的“所有权”系统，在编译时便消弭了困扰开发者数十年的内存与并发顽疾。本书将是您的向导与地图。我们不只传授语法，更探究其设计哲学。从基础概念到并发、从微服务到云原生，我们将以螺旋上升的方式，在实践中印证理论。
VLC 参数详解
flyhelloword的博客
10-30 1万+
用法: vlc [选项] [流] … 您可以在命令行中指定多个流。 它们将被加入播放列表队列。 指定的首个项目将被首先播放。 选项风格: –选项 用于设置程序执行期间的全局选项。 -选项 单字母版本的全局 --选项。 :选项 仅对此选项之前的单条流生效， 且优先级高于先前的设置。 流媒体 MRL 语法: [[协议][/分流]????/]URL[#[标题][:章节][-[标题][:章节]]] [:选项=值 …] 许多全局 --选项 也可作为 MRL 特定的 :选项 使用。 可指定多组 :选项=值。 UR
【阅读笔记】Transformer + 多实例学习---视频结构的全切片图像分类
qq_43538018的博客
11-19 1311
近期，本研究提出了一种基于视频结构的多实例学习框架（VINO），巧妙地将WSI视为“病理学家观察的视频”，使用Transformer对WSI进行端到端的分类和区域定位。
基于深度学习的单模医学图像配准综述（附VoxelMorph配准实例）
热门推荐
zuzhiang的博客
09-15 3万+
本文是基于深度学习的单模态医学图像配准的综述，除了介绍配准任务、配准过程之外，还会从实际操作出发，以经典的VoxelMorph为例做详细介绍。如果有什么讲的不清楚的地方欢迎大家留言讨论，如果有什么错误的地方，也恳请大家不吝赐教。 一、配准简介 配准问题简单来说就是让一张图像对齐到另一张图像，使得对齐后的图像尽可能相似。即，给定一个浮动图像（moving image）IMI_MIM​和一张固定图像（fixed image）IFI_FIF​。预测一个位移场uuu，进而得到形变场（deformation fie
【阅读笔记】Transformer + 多实例学习——在病理图像分类中的应用
qq_43538018的博客
11-18 1909
在数字病理学领域，如何有效分析全切片图像（Whole Slide Image, WSI）是一个重要的挑战。WSI 通常具有超高分辨率，并且标注数据稀缺，难以直接使用深度学习模型处理。提出了一种新颖的方法，结合多实例学习（MIL）和 Transformer 模型，利用位置编码和辅助任务，有效提升了分类性能和模型解释性。基于位置编码引导的 Transformer 多实例学习在病理学全切片图像分类中的应用。方法，将空间信息与语义信息结合，提升了模型对 WSI 图像的理解能力。
使用多实例学习进行乳腺癌组织病理学图像分类和定位
qq_47896523的博客
05-16 3284
乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。
基准测试使用BBO-PSO-GA附Matlab代码.rar
最新发布
12-09
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
【无人机路径规划】基于冠豪猪优化算法的三维路径规划模型设计：多目标约束下安全高效飞行路径生成方法 项目介绍 Python实现基于冠豪猪优化算法（CPO）进行无人机三维路径规划（含模型描述及部分示例代码
12-09
内容概要：本文介绍了一个基于冠豪猪优化算法（CPO）的无人机三维路径规划项目，利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制，系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径，并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例，包括环境建模、路径评估和CPO优化流程。; 适合人群：具备一定Python编程基础和优化算法基础知识，从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员，尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标：①应用于复杂三维环境下的无人机自主导航与避障；②研究智能优化算法（如CPO）在路径规划中的实际部署与性能优化；③实现多目标（路径最短、能耗最低、安全性最高）耦合条件下的工程化路径求解；④构建可扩展的智能无人系统决策框架。; 阅读建议：建议结合文中模型架构与代码示例进行实践运行，重点关注目标函数设计、CPO算法改进策略与约束处理机制，宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
使用python语言的京东平台抢购脚本
12-09
先看效果： https://pan.quark.cn/s/4f231e33b729 auto-buy-Python-tool 图形界面, 电脑小白也会用, 下载可直接运行! 京东自动购买口罩 实时抢购口罩 工具, 抗击疫情 中国加油! :fire: 点击这里 下载, 解压后可直接运行! 欢迎加星 修复了商品下架后的问题, 更新了交互界面; 修复了可配货商品的判断, 更新了数量调整接口, 更新了是否监控下架商品选项 :star2: 使用指南 :notebookwithdecorative_cover: Tips: 登录一次之后本地会保存登录信息, 重启软件(注意重启之后也行)之后仍然可以记住账号登录信息, 重启之后只需点击"开始监控"就可以登录! 不必重复扫码! 运行界面如下图: interface Update at 2020-3-2: Continuously monitor goods removed from JD.monitorSoldOutGoods Update at 2020-2-15: quantity can be modifiedquantity 填写方式: Tips: 软件启动时带有标准填写格式的默认值, 请留意. 输入商品ID: 比如为: https://item.jd.com/1835967.html 的商品ID为1835967. 输入收件地区编码: 使用Chrome浏览器(如果是其他浏览器请用同样方式打开开发者工具)登录京东并访问商品页, 选择派送地址后按查找开头的讯息, 如下图: AreaID 接受讯息邮箱: 您的接受讯息邮箱. 滑动条: 控制监控时查询的速度(频率). 购买数量: 调整一次购买数量. 是否自动忽略下架商品: 未打...
clustering-results-PathologyGAN.csv
12-09
clustering-results-PathologyGAN.csv
简单的MQTT客户端工具V2.0源码
12-09
代码随便写的，将就看看吧 基于pyqt5开发的，功能简单的mqtt客户端工具 原文https://blog.csdn.net/weixin_45066336/article/details/122923967
有图有真相 MATLAB实现基于深度强化学习（DRL）进行无人机三维路径规划（代码已调试成功，可一键运行，每一行都有详细注释）
12-09
内容概要：本文档介绍了基于深度强化学习（DRL）在MATLAB环境中实现无人机三维路径规划的完整解决方案。代码已调试成功，支持一键运行，并提供详细注释版本与简洁版本。系统实现了模拟数据生成、环境构建、深度Q网络（DQN）训练、超参数搜索、策略评估及多维度可视化分析，涵盖从数据处理到模型部署的全流程。通过三维栅格环境建模，结合障碍物避障与动态奖励机制，智能体能够自主学习最优飞行路径。配套的八类评估图表直观展示了训练过程与策略性能。; 适合人群：具备MATLAB编程基础并对深度强化学习有一定了解的科研人员、工程技术人员及高校研究生，尤其适用于从事无人机导航、路径规划或智能控制领域研究的专业人士。; 使用场景及目标：①用于无人机在复杂三维空间中的自主路径规划研究；②作为深度强化学习在实际控制任务中应用的教学案例；③支持参数灵活调整，便于开展算法优化实验与性能对比分析。; 阅读建议：建议用户先运行带详细注释的代码以理解整体流程，结合参数设置界面逐步掌握各模块功能；在熟悉后可切换至简洁代码进行二次开发。务必关注超参数调优环节以提升模型表现，并利用提供的可视化工具全面评估策略有效性。
基于串行并行ADMM算法的主从配电网分布式优化控制研究（Matlab代码实现）
12-09
基于串行并行ADMM算法的主从配电网分布式优化控制研究（Matlab代码实现）
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值