生物医学成像背景下深度卷积神经网络的人工蜂群优化
图像与视频处理
2024-02-26 v1 人工智能
神经与进化计算
摘要
计算机视觉的大多数努力集中在自然图像或艺术品上，这些图像在尺寸和内容上与生物医学图像处理所处理的数据类型显著不同。因此，即使经过手动微调，迁移学习模型对于这些任务往往证明是次优的。由于超参数空间的巨大性以及大多数生物医学研究实验室在时间、计算资源和深度学习专家方面的短缺，从头开发架构通常是不可行的。手动定义模型的一种替代方案是使用神经进化，它利用元启发式技术来优化深度学习架构。然而，神经进化文献中提出的许多算法要么太不可靠，要么局限于超参数空间的一小部分预定义区域。为了克服这些缺点，我们提出了 Chimera 算法，这是一种新颖的混合神经进化算法，它将人工蜂群算法与进化计算工具相结合，以从头生成模型，并优化给定的先前架构以更好地适应当前任务。Chimera 算法已通过自然图像和医学图像的两个数据集进行了验证，生成的模型性能超过了来自迁移学习的模型。
引用
@article{arxiv.2402.15246,
title = {Artificial Bee Colony optimization of Deep Convolutional Neural Networks in the context of Biomedical Imaging},
author = {Adri Gomez Martin and Carlos Fernandez del Cerro and Monica Abella Garcia and Manuel Desco Menendez},
journal= {arXiv preprint arXiv:2402.15246},
year = {2024}
}