相关实验视频
Updated: Jul 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
优化图像分类:自动化深度学习架构制作与网络和学习超参数调整调整
Koon Meng Ang1, Wei Hong Lim1, Sew Sun Tiang1
1Faculty of Engineering, Technology and Built Environment, UCSI University, Kuala Lumpur 56000, Malaysia.
Biomimetics (Basel, Switzerland)
|November 24, 2023
概括
这项研究介绍了ETLBOCBL-CNN,这是一种优化卷积神经网络 (CNN) 架构的自动化方法. 它在各种图像数据集上实现了高分类准确性,推进了智能设备基础设施.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 对于图像分类至关重要.
- 优化CNN架构是复杂和计算密集的.
- 现有的方法经常与多样化和复杂的分类任务作斗争.
研究的目的:
- 介绍ETLBOCBL-CNN,这是优化CNN架构的自动化方法.
- 为了提高新和有效的CNN结构的发现.
- 为了提高各种图像数据集的分类准确性.
主要方法:
- ETLBOCBL-CNN使用了一个网络和学习超参数的编码方案.
- 它结合了基于能力的学习和随机的同行互动.
- 三个标准的选择方案优化了健身,多样性和改进率.
主要成果:
- ETLBOCBL-CNN在9个图像数据集上实现了高精度,包括MNIST (99.72%) 和矩形 (99.99%).
- 与最先进的技术相比,该方法显示出更高的性能.
- 在不同复杂度的数据集中发现了显著的改进.
结论:
- ETLBOCBL-CNN有效地自动化了CNN架构的优化.
- 该方法显示了加强智能设备基础设施发展的巨大潜力.
- 它的基于能力的学习和选择方案推动了CNN设计的创新.
