进化多目标架构搜索框架：在 COVID-19 三维 CT 分类中的应用
图像与视频处理
2022-07-11 v2 计算机视觉与模式识别
摘要
COVID-19 疫情已威胁全球健康。许多研究已应用深度卷积神经网络（CNN）基于胸部三维计算机断层扫描（CT）识别 COVID-19。近期工作表明，没有模型能很好地泛化到来自不同国家的 CT 数据集，且针对特定数据集手动设计模型需要专业知识；因此，旨在自动搜索模型的神经架构搜索（NAS）已成为一种有吸引力的解决方案。为降低在大型三维 CT 数据集上的搜索成本，大多数基于 NAS 的工作使用权重共享（WS）策略使所有模型在超网内共享权重；然而，WS 不可避免地引发搜索不稳定性，导致模型评估不准确。在本工作中，我们提出一种高效的进化多目标架构搜索（EMARS）框架。我们提出一个新目标，即潜力（potential），其可帮助发掘有前景的模型以间接减少参与权重训练的模型数量，从而缓解搜索不稳定性。我们证明，在准确率和潜力两个目标下，EMARS 能平衡开发与探索，即减少搜索时间并找到更优模型。我们搜索得到的模型规模小，且在三个公开 COVID-19 三维 CT 数据集上优于先前工作。
引用
@article{arxiv.2101.10667,
title = {Evolutionary Multi-objective Architecture Search Framework: Application to COVID-19 3D CT Classification},
author = {Xin He and Guohao Ying and Jiyong Zhang and Xiaowen Chu},
journal= {arXiv preprint arXiv:2101.10667},
year = {2022}
}
备注
accepted in MICCAI2022, Neural Architecture Search, Evolutionary Algorithm, COVID-19, CT