第一篇：2022Reinforcement Learning in Image Classification: A  Review（基于强化学习的图像分类综述）

作者：Norah Alrebdi

目的：关于图像分类在强化学习方面的综述。

内容：①通过分析以往的研究结果，说明使用基于rl的方法在图像分类过程中的效果

②为RL技术在图像处理和分类中的应用提供未来的方向和开放问题

具体：①关于RL的效率有两种指标：数据效率和计算效率。数据效率衡量的是在学习过程中从实际控制的系统中使用的数据量。相比之下，计算效率衡量了学习算法所需的计算量。

调研的文献中主要围绕两个问题展开①是能够使用强化学习实现图像分类，②是用强化学习修正图像从而提高精确率。

文章内容首先是讲了什么是强化学习，对强化学习的基本概念进行简单的概述；然后在后半部分对调研的文章使用总分总的结构进行分析和讨论。

注：本文调研了15篇文章，可以都大致看一遍，需要仔细看31和有代码的文章

第二篇：2020Deep Reinforcement Active Learning for Medical Image Classification（基于主动学习的强化学习在医学图像上的分类）

目的：使用主动学习的手段实现动态策略优化的强化学习进行医学图像分类

内容： 使用一种新的主动学习算法：主动学习深度强化学习，学习一个动态策略来选择样本进行注释，该策略考虑了分类器的状态，并将主动学习的过程建模为一个马尔可夫决策过程。具体来说是采用actor-critic方法来生成和判断数据选择策略并应用深度确定性策略梯度算法来训练模型。

主动学习的目的是选择和注释信息样本，以提高性能。

网络结构:利用有标记的训练一个分类器，actor网络将当前状态和学习到的策略，从未标记的训练数据中选择信息最丰富的样本,之后annotator标注者对所选的示例进行注释。因此标记数据越来越多。   还训练了一个critic网络来参与评估actor网络的选择是否高效。  

意思就是，用一个训练好的分类网络去分类一些未知的数据，然后对于困难样本挑出来做人工挑选并赋予标签，如此循环往复训练。

第三篇：2020Image Classification by Reinforcement Learning with Two-State Q-Learning（基于双态Q学习的强化学习的图像分类）

作者：Abdul Mueed Hafiz

目的：使用深度学习和强化学习实现简单的混合分类器

内容：首先通过将每个训练样本提供给CNN，让CNN提供特征图。再用分类器（SVM）等对其分类。对测试样本分类，必须使用“难以分类”样本的过滤标准。如果测试样本被标记为难，则将通过强化学习进行分类。如果没有就使用CNN进行分类。被错误分类的都是困难样本。只设置了两种状态。

使用的数据集：ImageNet、Cats and Dogs Dataset、Caltech-101 Dataset

实验结果：ImageNet准确率：0.8644；Cats and Dogs Dataset准确率：0.9520；Caltech-101 Dataset准确率：0.898

第四篇：2019Active Learning for Image Classification: A Deep Reinforcement Learning Approach（图像分类中的主动学习：一种深度强化学习方法）

内容：用强化学习去学习数据选择标准。数据选择一部分有标签一部分没有标签。输入到cnn提取特征，将特征和分类softmax结果输入到强化学习Q网络中。

结果：在全标记的且使用的cnn是vgg16下。 Cifar10准确率0.90，cifar100为0.65；svhn为0.96

其他：使用强化学习进行增强分类。

第五篇：2019Spot and Learn: A Maximum-Entropy Patch Sampler for Few-Shot Image Classification(定位和学习：一种用于少样本图像分类的最大熵补丁采样器)

作者：Wen-Hsuan Chu