Feb, 2024

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

PDF
TL;DR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。
computer visionbiomedical image processingtransfer learningneuroevolutionchimera algorithm
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

  • 有限、异构数据的深度神经进化：运用小型虚拟池化图像集的神经母细胞瘤脑转移概念证明应用

    本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

    Nov, 2022

  • HiveNAS: 人工蜂群优化神经架构搜索

    本文提出了基于人工蜂群的神经架构搜索框架 HiveNAS，旨在通过元启发式优化算法自动开发神经网络，弥补了神经网络开发过程中专业知识和直觉性调整的不足。

    Nov, 2022

  • 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

    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。

    Mar, 2019

  • 利用蜜蜂算法优化深度学习模型参数，提高医学文本分类效果

    本文提出了使用 Bees Algorithm 算法获取深度学习模型最优参数的机制并进行实验，得出在医学文本分类方面，LSTM 结合 Bees Algorithm 获得的最高准确率为 99.63％，而使用 AraBERT 在阿拉伯数据集上的准确率最高为 88％.

    Mar, 2023

  • 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

  • 深度学习生成神经进化

    本篇论文探讨神经进化在深度学习中的作用，其中 HyperNeat 通过训练一种间接编码来实现学习大型神经结构，并且结合其他机器学习方法可以有效提取特征。

    Dec, 2013

  • 基于大脑风暴优化的群体学习用于糖尿病视网膜病变图像分类

    本研究将脑风暴优化算法集成到蜂群学习框架中，名为 BSO-SL。该方法在医疗领域中应用深度学习技术，通过蜂群学习实现医疗图像分类任务的隐私保护及模型效果的提升。实验证明了该方法的有效性。

    Apr, 2024

  • 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

  • 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