相关实验视频
Updated: May 6, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
10.0K
将表格数据转换为图像,用于深度学习模型
1Department of Software Engineering, Faculty of Engineering and Naturel Sciences, Bandirma Onyedi Eylul University, Bandirma, Balikesir, Turkiye.
概括
这项研究引入了一种新的方法来将数值表格数据转换为图像,允许深度学习模型有效地分析它. 这种基于图像的深度学习方法显著提高了对各种数据集的分类准确性.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 深度学习 (DL) 在非结构化数据 (图像,文本) 中表现出色,但由于缺乏空间结构,它在表式数值数据中扎.
- 传统的机器学习方法往往无法处理复杂的数值数据集.
- 弥合DL和数值数据分析之间的差距对于更广泛的AI应用至关重要.
研究的目的:
- 开发一种用于将数值表格数据转换为灰度图像表示的新方法.
- 为了使深度学习架构,如卷积神经网络 (CNN) 能够应用于数值数据集.
- 提高深度学习在分析结构化数字信息中的性能和适用性.
主要方法:
- 数字特征被规范化并组织成方形图像矩阵.
- 从转换的表格数据中生成标记的灰度图像.
- 实验使用了残余网络 (ResNet-18) 和定向环形图神经网络 (DAG-Net) 模型,在四个公共数据集 (RMSCD,Optdigits,TUNADROMD,Spambase) 上进行5倍交叉验证.
主要成果:
- 定向环形图神经网络 (DAG-Net) 实现了高精度: 99.91% (RMSCD),99.77% (Optdigits),98.84% (TUNADROMD) 和93.06% (Spambase) 的精度.
- 废弃性研究和效率分析证实了培训性能的改善和计算成本的降低.
- 基于图像的转换在数字数据集上的分类任务中被证明是有效的.
结论:
- 拟议的图像转换方法为将数值数据集集集成到深度学习工作流程中提供了一个实用和高效的策略.
- 这种方法扩大了深度学习技术在不同领域的适用性,此前对DL来说具有挑战性.
- 实现的开源发布促进了可重复性,并鼓励在该领域进行进一步的研究.
