基于深度信念网络自适应结构学习的物体检测
神经与进化计算
2019-10-01 v1 计算机视觉与模式识别
摘要
深度学习为多种输入特征的表达形成层次化网络结构。深度信念网络 (DBN) 的自适应结构学习方法能在训练期间搜索最优网络结构的同时实现高分类能力。该方法通过神经元生成-湮灭算法在受限玻尔兹曼机 (RBM) 中为给定输入数据找到最优隐藏神经元数。此外，它能通过层生成算法在 DBN 中生成新的隐藏层以实现深度数据表示。所提方法在图像基准数据集上展现出比包括知名 CNN 方法在内的若干深度学习方法更高的分类精度。本文提出一种针对 DBN 架构的新物体检测方法，用于物体的定位与分类。该方法是一项在图像中作为边界框 (B-Box) 寻找语义物体的任务。为探究所提方法的有效性，在 Chest X-ray 图像基准数据集 (CXR8) 上评估了 DBN 的自适应结构学习与物体检测，该数据集是许多肺部疾病中最常可获取的放射学检查之一。所提方法在分类（测试数据分类率超 94.5%）与定位（测试数据检测率超 90.4%）上均展现出高于其他 CNN 方法的性能。
引用
@article{arxiv.1909.13465,
title = {An Object Detection by using Adaptive Structural Learning of Deep Belief Network},
author = {Shin Kamada and Takumi Ichimura},
journal= {arXiv preprint arXiv:1909.13465},
year = {2019}
}
备注
8 pages, 14 figures, The International Joint Conference on Neural Networks (IJCNN 2019)