基于迁移学习感知的神经进化用于胸部 X 射线图像疾病检测
神经与进化计算
2020-04-16 v1
摘要
神经网络由于在图像上训练时架构的复杂性，需要高昂的时间成本。迁移学习与微调有助于在训练神经网络时提高时间与成本效率。然而，迁移学习与微调需要进行大量实验尝试。因此，需要一种方法来寻找适用于迁移学习与微调的最佳架构。为克服该问题，可使用基于遗传算法的神经进化来寻找迁移学习的最佳架构。为检验本研究性能，使用了 ChestX-Ray 14 数据集与作为基础神经网络模型的 DenseNet-121。本研究采用 AUC 分数、训练执行时间的差异以及 McNemar 检验进行显著性测试。在结果方面，本研究在 AUC 分数上获得 5% 的差异，在执行时间上快 3%，且在大多数疾病检测中具有显著性。最后，本研究对神经进化迁移学习如何在迁移学习与微调方面提供帮助给出了具体总结。
引用
@article{arxiv.2004.07136,
title = {Transfer-Learning-Aware Neuro-Evolution for Diseases Detection in Chest X-Ray Images},
author = {Albert Susanto and Herman and Tjeng Wawan Cenggoro and Suharjito and Bens Pardamean},
journal= {arXiv preprint arXiv:2004.07136},
year = {2020}
}