Algoritmos híbridos basados en dos cálculos evolutivos para la clasificación de imágenes

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Las redes neuronales convolucionales (CNN), incluidos modelos avanzados como DenseNet-121, sobresalen en la clasificación de imágenes, pero enfrentan desafíos en la optimización de hiperparámetros y la estabilidad de gradientes.
• Los algoritmos evolutivos ofrecen soluciones potenciales debido a sus fortalezas de exploración y explotación, abordando las limitaciones en los modelos actuales de CNN.

Objetivo del estudio:

• Mejorar el rendimiento de la clasificación de imágenes optimizando los hiperparámetros de DenseNet-121 utilizando un nuevo algoritmo evolutivo híbrido.
• Mejorar la precisión de la clasificación y la estabilidad del modelo, al mismo tiempo que se mitigan problemas como la desaparición y la explosión de gradientes.

Principales métodos:

• Se desarrolló un algoritmo híbrido (HGAO) que combinaba el algoritmo de la lagartija con interpolación cuadrática y la optimización del armadillo gigante con la interpolación de Newton.
• El algoritmo HGAO se empleó para optimizar los hiperparámetros clave, específicamente la tasa de aprendizaje y la tasa de abandono, para el modelo DenseNet-121.
• El modelo optimizado DenseNet-121 se evaluó en cinco conjuntos de datos de imágenes diferentes, con el rendimiento comparado con nueve algoritmos de última generación que utilizan métricas de precisión, precisión, recuerdo y puntuación F1.

Principales resultados:

• La optimización de hiperparámetros utilizando HGAO dio como resultado combinaciones de parámetros más efectivas, lo que condujo a mejoras significativas en el rendimiento.
• En el conjunto de entrenamiento, la precisión aumentó hasta en un 0,5% y la pérdida disminuyó en un 0,018.
• En el conjunto de pruebas, la precisión mejoró en un 0,5% y la pérdida disminuyó en 54 puntos, lo que demuestra un mejor rendimiento de clasificación y estabilidad.

Conclusiones:

• El algoritmo HGAO proporciona un método eficaz para optimizar los hiperparámetros de DenseNet-121, aumentando la precisión de la clasificación y la estabilidad del modelo.
• El enfoque propuesto aborda con éxito las dificultades de gradiente y mejora la eficacia general de la optimización de hiperparámetros para modelos de aprendizaje profundo en la clasificación de imágenes.