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
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
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
本文讨论深度卷积神经网络的自动学习,使用遗传算法提高识别准确性,并在两个小型数据集上证明其有效性,并将结构传输到大型数据集上。
本文提出了一种基于进化的神经架构搜索方法,利用基因表达式编程来进行卷积神经网络结构的发现,获得了良好的结果,同时也鼓励在进化的神经架构搜索中进行更多的实验。
May, 2020
该研究提出了一种自动设计合适的卷积神经网络结构的方法,使用了能产生网络变形的 “山峰爬升法” 和余弦退火法,并取得了较为优异的结果。
Nov, 2017
这篇文章介绍了使用进化算法自动生成图像分类器的技术,并提出了一种改进的锦标赛选择进化算法,在同样的计算资源下超过了人类手工设计的图像分类器,并在 ImageNet 数据集上取得了优异成果。
Feb, 2018
本文提出一种使用遗传算法进行卷积神经网络 (CNNs) 自动架构设计的方法,无需领域知识,可有效解决图像分类任务,实验证明该方法在分类准确性、参数数量和计算资源消耗方面优于现有的自动 CNN 架构设计算法。
Aug, 2018
本文介绍了一种基于层次遗传表征和复杂拓扑的新颖神经体系结构搜索方法,该方法能够高效地发现优于许多手动设计模型的分类器,同时该方法通过随机搜索得到了更高的准确度并将搜索时间缩短至 1 小时。
本文研究在时间约束成本下,卷积神经网络的准确性和架构设计所需的权衡。通过一系列对比实验,得出一个在 ImageNet 数据集中准确率很高(11.8% 的 top-5 误差,10 视图测试),但比 AlexNet(16.0% 的 top-5 误差,10 视图测试)快 20% 的网络架构。
Dec, 2014