神经推理搜索多损失细分模型

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 语义细分对于监控至关重要,但目前的模型在复杂的环境中缺乏所需的容忍度.
• 现有的深度学习细分模型与多类任务和各种环境条件作斗争.

研究的目的:

• 引入一种新的算法,神经推理搜索 (NIS),用于优化深度学习语义细分模型.
• 通过同时优化学习和多损失参数来提高模型性能.

主要方法:

• 开发了用于超参数优化的神经推理搜索 (NIS) 算法.
• 整合了三种新的搜索行为:最大化标准偏差速度预测,本地最佳速度预测和n维旋流搜索.
• 利用调度机制来管理搜索行为贡献,并使用长短期记忆 (LSTM) - 卷积神经网络 (CNN) 进行预测.

主要成果:

• 经过NIS优化的模型在五个细分数据集的多个性能指标中显示出显著的改进.
• 与最先进的细分方法和与其他搜索算法优化的模型相比,取得了优异的结果.
• 对于数值基准函数,NIS总是比各种搜索方法提供更好的解决方案.

结论:

• 神经推理搜索 (NIS) 为优化深度学习语义细分模型提供了一种强大而有效的方法.
• 拟议的算法显著提升了语义细分的功能,用于要求严格的监控应用程序.
• NIS提供了一种可靠的方法来提高模型性能和解决复杂的优化问题.