自主深度学习：用于图像分类的遗传DCNN设计器
计算机视觉与模式识别
2018-07-03 v1 机器学习
神经与进化计算
摘要
近年来，深度卷积神经网络（DCNNs）在图像分类及其他视觉应用中取得了突破性的成功。尽管DCNNs通过提供统一的特徵提取-分类框架将用户从繁琐的手动特徵提取中解放出来，其架构仍需要手工设计。本文中，我们提出遗传DCNN设计器，一种可基于特定图像分类问题可用数据自动生成DCNN架构的自主学习算法。我们首先将DCNN划分为多个堆叠的元卷积块与全连接块，每块包含卷积、池化、全连接、批归一化、激活与丢弃操作，从而将架构转换为整数向量。随后，我们使用精炼的进化操作（包括选择、变异与交叉）来演化DCNN架构种群。我们在MNIST、Fashion-MNIST、EMNISTDigit、EMNIST-Letter、CIFAR10与CIFAR100数据集上的结果表明，所提遗传DCNN设计器能够自动生成DCNN架构，其性能可与最先进的DCNN模型媲美，甚至更优。
引用
@article{arxiv.1807.00284,
title = {Autonomous Deep Learning: A Genetic DCNN Designer for Image Classification},
author = {Benteng Ma and Yong Xia},
journal= {arXiv preprint arXiv:1807.00284},
year = {2018}
}