.png){kind=icon}
返回
Hybrid Algorithms Based on Two Evolutionary Computations for Image Classification
.png){kind=icon}
PRE
AI
DOI：10.3390-biomimetics10080544.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络（CNNs）及其改进模型（如DenseNet-121）在图像分类任务中取得了显著成果。然而，这些模型的性能仍受超参数优化、梯度消失和梯度爆炸等问题制约。由于进化算法具有独特的探索和开发能力，它们为解决这些问题提供了新途径。同时，为防止这些算法在搜索过程中陷入局部最优，本研究设计了一种新型插值算法。为获得更好的图像分类性能，从而提升分类精度并增强模型稳定性，本文采用了一种基于角蜥算法与二次插值、大犰狳优化算法与牛顿插值相结合的混合算法（HGAO）来优化DenseNet-121的超参数。该算法应用于五个跨领域的不同数据集。学习率和Dropout率对DenseNet-121模型的输出结果有显著影响，因此被选为待优化的超参数。在五个图像数据集上使用HGAO算法进行实验，并与九种最先进的算法进行比较。模型的性能基于准确率、精确率、召回率和F1分数等指标进行评估。实验结果表明，经过HGAO算法优化后，超参数的组合更加合理，从而实现了关键性的改进。在对比实验中，训练集上的图像分类准确率最高提升了0.5%，损失最大降低了0.018。在测试集上，准确率提高了0.5%，损失降低了54个点。HGAO算法为优化DenseNet-121模型提供了有效解决方案。所设计的方法提升了分类精度和模型稳定性，显著增强了超参数优化效果，并解决了梯度相关难题。
Keyword:
Convolutional neural networks
DenseNet-121
hyperparameter optimization
evolutionary algorithms
image classification
期刊
B
IF:
3.9
论文数:
3.3K
被引数:
5.1K
机构
引用论文
GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyondGOOSE算法: 解决实际工程挑战的强大优化工具
PREAI
分享收藏Catch fish optimization algorithm: a new human behavior algorithm for solving clustering problems
PREAI
分享收藏Evaluation of Defects Depth for Metal Sheets Using Four-Coil Excitation Array Eddy Current Sensor and Improved ResNet18 Network.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
查看更多内容