控制与决策

作者：王维,王显鹏,宋相满

单位：东北大学 工业智能与系统优化国家级前沿科学中心,沈阳 110819;东北大学 智能工业数据解析与优化教育部重点实验室,沈阳 110819,,东北大学 智能工业数据解析与优化教育部重点实验室,沈阳 110819;辽宁省智能工业数据解析与优化工程实验室,沈阳 110819,,东北大学 工业智能与系统优化国家级前沿科学中心,沈阳 110819;东北大学 智能工业数据解析与优化教育部重点实验室,沈阳 110819,

关键词：卷积神经网络;神经架构搜索;多目标优化问题;基于分解的多目标进化算法;自适应;图像分割

基金：国家自然科学基金重大项目(72192830,72192831)；国家自然科学基金面上项目(62073067)；国家111项目(B16009)；中央高校基本科研业务费专项资金项目(N2128001).

卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集.AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的$F_1$-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.

来源：2024年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第4期