.png){kind=icon}
返回
Distribution Learning Based on Evolutionary Algorithm-Assisted Deep Neural Networks for Imbalanced Image Classification
.png){kind=icon}
OA
AI
DOI：10.1109/TCYB.2025.3572153.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不平衡图像分类在平衡合成少数样本的质量和多样性方面面临严峻挑战。本文提出了一种基于改进估计分布算法的潜在特征分布进化（MEDA_LUDE）算法，这是一种进化算法辅助的深度分布学习框架，通过多元高斯混合（GM）假设和一种新颖的四阶段训练策略来优化潜在特征分布。我们引入了一种大边距GM（L-GM）损失来动态建模协方差以进行特征学习，并设计了一种MEDA，通过一种基于相似性的适应度函数来进化潜在特征，从而在保持合成质量的同时增强多样性。广泛的实验表明了显著的改进：MEDA_LUDE在MNIST（不平衡比率-IR:100）上达到95.9%的准确率，在CIFAR-10上超越了最先进的方法1.26%。对于工业织物缺陷数据集，它在DHU-FD上提升了1.45%的准确率，在ALIYUN-FD上提升了0.92%，特别是在DHU-FD上分别提升了2.5%的精确度和1.17%的G-mean。可视化证实MEDA_LUDE生成的少数样本具有更优的质量-多样性权衡。该框架在真实世界织物缺陷分类中的成功，突显了其在解决不平衡学习挑战方面的实用价值。
Keyword:
Distribution learning
evolutionary algorithm
fabric defect
imbalanced classification
quality and diversity
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Molecular generative model based on conditional variational autoencoder for de novo molecular design
OAAI
.png){kind=icon}
OAAI分享收藏A conditional variational autoencoder based self-transferred algorithm for imbalanced classification
PREAI
分享收藏
查看更多内容