可探测的 DARTS 及其在计算病理学中的应用
计算机视觉与模式识别
2021-08-17 v1
摘要
AI 技术在计算病理学（CPath）中取得了显著成就，尤其在深度神经网络的帮助下。然而，网络性能与架构设计高度相关，这通常要求具备领域知识的人类专家。在本文中，我们借助神经架构搜索（NAS）的最新进展来应对这一挑战，为 CPath 应用寻找最优网络。特别地，我们使用可微分架构搜索（DARTS）因其高效性。我们首先采用一种探测度量表明原始 DARTS 在 CIFAR 数据集上缺乏适当的超参数调优，以及如何用自适应优化策略解决泛化问题。我们随后将搜索框架应用于 CPath 应用，在组织学组织类型数据集（ADP）上搜索最优网络架构。结果显示所搜网络在预测精度和计算复杂度上优于最先进网络。我们进一步开展大量实验以证明所搜网络对新 CPath 应用的迁移性、对降采样输入的鲁棒性以及预测的可信性。
引用
@article{arxiv.2108.06859,
title = {Probeable DARTS with Application to Computational Pathology},
author = {Sheyang Tang and Mahdi S. Hosseini and Lina Chen and Sonal Varma and Corwyn Rowsell and Savvas Damaskinos and Konstantinos N. Plataniotis and Zhou Wang},
journal= {arXiv preprint arXiv:2108.06859},
year = {2021}
}