[发明专利]基于多智能强化学习的自然图像的几何配准方法及模型

权利要求书

1.一种基于多智能强化学习的自然图像的几何配准方法，其特征在于，所述几何配准方法包括：

获取源图像和配准图像；

对所述源图像和配准图像分别执行结构信息提取操作以得到对应的第一特征和第二特征；

根据所述第一特征和第二特征执行注意力相关图计算操作以得到注意相关图；

根据所述注意力相关图分别执行多次策略网络计算操作以得到对应的多个第一向量；

根据所述第一向量和所述注意相关图执行值融合网络计算操作以得到配准参数。

2.根据权利要求1所述的几何配准方法，其特征在于，对所述源图像和配准图像分别执行结构信息提取操作以得到对应的第一特征和第二特征包括：

将所述源图像和配准图像分别输入U-net网络中，以得到所述第一特征和第二特征，其中，所述U-net网络的最后一层被替换为交替排列的两个卷积层和池化层。

3.根据权利要求1所述的几何配准方法，其特征在于，根据所述第一特征和第二特征执行注意力相关图计算操作以得到注意相关图包括：

对所述第一特征执行卷积操作和尺度变换操作以得到第一标准特征；

对所述第二特征执行卷积操作、尺度变换操作以及转置操作以得到第二标准特征；

对所述第一标准特征和第二标准特征执行矩阵乘法操作、softmax函数激活操作以得到注意力图；

将所述第一特征和第二特征叠加以得到相关图；

对所述注意力图和所述相关图执行矩阵乘法操作，以得到第一注意力相关图；

对所述注意力图和所述第一相关图执行矩阵乘法操作，以得到所述注意力相关图。

4.根据权利要求1所述的几何配准方法，其特征在于，根据所述注意力相关图分别执行多次策略网络计算操作以得到对应的多个第一向量包括：

对所述注意力相关图依次执行卷积运算、多层感知器运算、循环神经网络运算以及全连接运算以得到所述第一向量。

5.根据权利要求1所述的几何配准方法，其特征在于，根据所述第一向量和所述注意相关图执行值融合网络计算操作以得到配准参数包括：

对所述注意力相关图执行多层感知器运算以得到第一权重；

根据所述第一权重和所述第一向量执行加权运算以得到第二向量；

对所述注意力相关图执行多层感知器运算以得到第一偏置参数；

根据所述第一偏置参数和所述第二向量执行相加运算以及第一函数激活运算以得到第三向量；

对所述注意力相关图执行多层感知器运算以得到第二权重；

根据所述第二权重和所述第二向量执行加权运算以得到第三向量；

对所述注意力相关图执行多层感知器运算、第二函数激活运算以及多层感知器运算以得到第二偏置参数；

根据所述第二偏置参数和所述第三向量执行第三函数激活运算以及相加运算以得到所述配准参数。

6.根据权利要求1所述的几何配准方法，其特征在于，所述几何配准方法还包括：

获取训练集和测试集；

采用公式(1)的损失函数根据所述训练集和测试集训练以更新结构信息提取操作、注意力相关图计算操作、策略网络计算操作以及值融合网络计算操作的参数，

其中，L(θ)为关于输入量θ的损失函数，b为经验回放策略中采样批次的尺寸，r为奖励函数，γ为折扣因子，Q_tot为价值函数，τ为观测-动作历史记录，u为当前决策动作，s为当前观测值，u′为当前决策动作取最大值，τ′为观测-动作历史记录中的最大值，s′为当前观测值取最大值，θ^-为输入量取最大值。