基于多功能细胞的神经架构搜索植物图像分类

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 自动化植物图像分类对农业至关重要.
• 开发高性能卷积神经网络 (CNN) 模型需要高效的架构搜索.
• 现有的方法在参数使用和推断速度方面可能缺乏效率.

研究的目的:

• 提出MFC-NAS,一种用于植物图像分类的新型神经架构搜索 (NAS) 方法.
• 使用多功能细胞 (MFC) 设计一个搜索空间,包括转移,正常,聚合和掉队细胞.
• 优化CNN架构以实现高精度和高效率.

主要方法:

• 设计了一个基于MFC的搜索空间,包含转移,正常,聚合和退出细胞.
• 采用了以MFC为导向的搜索策略,利用预先训练的模型,如移动网络V3用于传输单元.
• 探索了搜索空间内的各种聚合类型/大小和学率.
• 堆叠最佳细胞来构建最终的植物图像分类CNN.

主要成果:

• 在大约69个GPU小时的搜索后,MFC-NAS确定了最佳细胞.
• 在植物图像分类任务中达到~99.10%的高精度.
• 显著减少了网络参数 (1.58M,ResNet-50的6.9%) 和快速推断 (12.6 ms).

结论:

• MFC-NAS有效地开发高性能CNN用于植物图像分类.
• 与SOTA模型相比,拟议的方法提供了精度,效率和参数减少的优越平衡.
• MFC-NAS代表了用于专门图像分类任务的自动化深度学习模型设计的重大进步.