Mar, 2019

基于多目标粒子群优化的深度神经网络演化用于图像分类

PDF
TL;DR本论文提出了一种新的多目标优化方法，用于在实际应用中演进最先进的卷积神经网络，以自动演进 Pareto 前沿的非支配解，并使用多个 GPU 和机器并行运行并发实验，实验结果表明所提出的算法可以找到清晰的 Pareto 前沿。
convolutional neural networksmulti-objective optimizationpareto frontclassification accuracycomputational cost
发现论文，激发创造
  • 演化深度卷积神经网络用于图像分类

    本文提出了一种利用遗传算法优化深度卷积神经网络结构和连接权重初始化的图像分类算法，该算法利用一个高效的可变长度基因编码策略和新的表示方案初始化深度卷积神经网络的连接权重，并提出了一种新的适应度评估方法，实现了在少量计算资源下的快速启发式搜索，与其他 22 个现有算法相比在九个广泛应用于图像分类的任务中表现明显优越。

    Oct, 2017

  • Evolving CNN 拓扑结构的两个新性能改进

    本文介绍了两种新方法，通过直接在训练时间上实现正则化和使用部分训练来尽早评估个体架构，有效地减少了复杂性和训练时间，从而生产出有效地 CNN 拓扑结构，提高图像识别准确率，开销减少达 20%。这两种方法均经 CIFAR10 基准数据集验证以及保持准确度。

    Feb, 2021

  • 基于遗传编程的进化深度学习用于数据高效图像分类

    本文提出了一种基于遗传编程的演化深度学习方法，可以自动演化可变长度模型，同时构建有效和多样化的 ensemble 用于图像分类，具有优越的性能和解释性。

    Sep, 2022

  • 基于人工蜂群算法优化的深度卷积神经网络在生物医学成像中的应用

    提出了一种名为 Chimera Algorithm 的新型混合神经进化算法，用于生成从头开始的模型并优化前期给定的架构，以更好地适应任务，该算法在两个自然图像和医疗图像数据集上验证，并且超过了 Transfer Learning 模型的性能。

    Feb, 2024

  • 基于粒子群优化的灵活卷积自编码器用于图像分类

    本文提出了一种灵活的卷积自编码器和一种使用粒子群优化的架构发现方法，该方法可以自动搜索最优架构，结果表明，该方法在图像分类方面的表现明显优于同行竞争对手，包括最先进的算法。

    Dec, 2017

  • 图像分类器的大规模进化

    采用进化算法发现神经网络的架构，提出新型变异算子探索搜索空间以实现自动化，成功在 CIFAR-10 和 CIFAR-100 数据集上达到 94.6% 和 77.0% 的准确率，且无需人为干预。

    Mar, 2017

  • 演化多目标神经网络控制机器人群

    该研究提出了一种多目标进化神经网络方法，用于开发群体机器人的控制器。该方法通过低保真度的 Python 模拟器训练群体机器人控制器，然后在高保真度的 Webots 模拟环境中进行测试。结果表明，该方法可以有效控制每个机器人，且控制器具有可扩展性，而且不需要进一步重新训练。

    Jul, 2023

  • 使用转移学习的多目标进化剪枝深度神经网络以提高其性能和鲁棒性

    提出一种名为 MO-EvoPruneDeepTL 的多目标进化修剪算法，利用转移学习将深度神经网络的最后层替换为稀疏层，通过性能、复杂度和稳健性引导演化，实验结果表明该算法在所有目标方面都取得了有前途的结果，且网络修剪带来的影响有助于解释输入图像对于修剪神经网络预测最为相关的部分。最后通过利用不同修剪模型的集合显示整体性能和鲁棒性的提高。

    Feb, 2023

  • 基于多目标的深度学习参数优化调查

    本研究探讨了多目标优化策略与深度神经网络结合的有效性，通过案例研究证明了该方法在多种应用程序中生成预测和分析方面具有价值。

    May, 2023

  • 基于连续的笛卡尔遗传编程的多目标神经网络架构搜索表示

    本研究介绍了一种新的方法，利用笛卡尔遗传编程来实现神经结构搜索，并通过多目标进化算法（MOEA）在连续域中进行优化，提出了两种变体，这些变体在粒度上的考虑不同，经实验结果证明，相对于目前最先进的提议，本文提出的方法在分类性能和模型复杂度方面具有竞争力。

    Jun, 2023