.png){kind=icon}
返回
Multi-Objectives Optimization (MOO)-Based NAS Approach
.png){kind=icon}
OA
AI
DOI：10.1002/ima.70240.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究深入探讨创建针对图像分类和医学图像分割优化的神经网络架构，特别强调使用LIDC-IDRI数据集分析肺结节。我们提出一种融合卷积神经网络（CNNs）、基于Transformer的模型和定制构建图架构的神经架构搜索（NAS）混合方法。我们的进化策略采用遗传操作（如交叉和变异）来逐步提升这些架构，而NSGA-III算法帮助我们处理多个冲突目标之间的复杂权衡。本方法的目标是提升F1分数和分类准确率等性能指标，同时关注最小化计算复杂度，该复杂度以FLOPS、参数数量和推理时间衡量。我们的实验在CIFAR-10和CIFAR-100数据集上展示了有竞争力的性能，并在LIDC-IDRI分割任务中取得了有前景的结果。本研究旨在拓展自动化模型设计的边界，为通用和医学成像场景下更高效和有效的深度学习架构做出贡献。
Keyword:
artificial neural networks (ANN)
computer vision (CV)
deep learning (DL)
multi-objective optimization (MOO)
neural architecture search (NAS)
NSGAIII
期刊
IF:
2.5
论文数:
2.1K
被引数:
2.3K
机构
引用论文
A Cluster-Based Competitive Particle Swarm Optimizer with a Sparse Truncation Operator for Multi-Objective Optimization基于聚类的稀疏截断竞争粒子群算法的多目标优化
PREAI
分享收藏mid-DeepLabv3+: A Novel Approach for Image Semantic Segmentation Applied to African Food Dietary Assessments.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容