通过深度转移学习来控制自闭症面部检测的学习率.
Abdelkrim El Mouatasim1, Mohamed Ikermane1
1Applied Mathematics and Computation Science (AMCS) Group, Faculty of Polydisciplinary Ouarzazate (FPO), Ibnou Zohr University, 45800 Ouarzazate, Morocco.
概括
这项研究引入了一种新的控制亚梯度算法 (CSA),用于更快,更准确的自闭症谱系障碍 (ASD) 诊断,使用面部图像上的深 convolutional 神经网络 (CNN). 与标准技术相比,CSA方法提高了分类准确性,减少了损失.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会互动和沟通的神经发育状况.
- 早期发现自闭症对于改善个体结果至关重要.
- 机器学习,特别是使用卷积神经网络 (CNN) 的深度学习,显示出从面部图像中对ASD诊断的希望.
研究的目的:
- 介绍一种新的算法,即控制亚梯度算法 (CSA),用于优化ASD诊断中的深度CNN.
- 为了应对繁的学习速度选择的挑战,深度CNN培训用于ASD检测.
- 用面部图像来提高ASD分类的速度和准确性.
主要方法:
- 控制分梯度算法 (CSA) 的开发,这是一个修改后的分梯度方法,具有自适应学习速率更新.
- 将CSA应用于DensNet-121 CNN模型进行面部ASD分类.
- 在公共面部ASD数据集上评估CSA性能,包括与基线方法的比较和对L2规范化的评估.
主要成果:
- 与基线方法相比,CSA算法显示了更快的趋同.
- CSA提高了分类准确度,并减少了从面部图像中识别自闭症的损失.
- 将CSA与L2调节的结合进一步提高了深度CNN模型的性能.
结论:
- 控制子梯度算法 (CSA) 提供了一种有效和高效的方法来诊断ASD,使用深度CNN和面部图像.
- CSA提供了更优化的学习率策略,从而提高了诊断性能.
- 这种方法有可能推进自动化ASD检测系统的发展.


