{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,5,19]]，“日期时间”：“2024-05-19T15:48:44Z”，“时间戳”：171613372442}，“参考计数”：22，“出版商”：“富士科技出版社”，“问题”：“5”，“内容域”：{“域”：[]，“交叉标记限制”：false}，：[“JACIII”，“J。高级计算。因特尔。因特尔。通知。“]，”published-print“：{”date-parts“：[[2022,9,20]]}，”抽象“：”为了解决基于深度学习的目标检测模型的传统传递学习的困难，本文提出了一种基于遗传算法的对象检测模型传递学习方法。该方法的遗传算法可以在传递学习过程中自动选择再学习层，而不是传统方法的试错选择。使用COCO数据集和全球小麦赤霉病检测（GWHD）数据集上预先训练的EfficientDet-d0模型进行传递学习，并进行实验比较微调和所提方法。利用GWHD的训练数据和验证数据，我们分别在GWHD测试数据上比较了传统方法和建议方法训练的模型的平均精度（mAP）。结果表明，该方法训练的模型比传统方法训练的具有更高的性能。该方法自动选择再学习层（\u22480.603），其mAP的平均值高于传统方法的mAP平均值（\u2480.594）。此外，该方法所得结果的标准偏差小于传统方法，表明该方法具有稳定的学习过程<\/jats:p>“，”DOI“：”10.20965\/jacii.2022.p0776“，”type“：”journal-article“，”created“：{”date-parts“：[[2022,9,19]]，”date-time“：”2022-09-19T15:02:06Z“，”timestamp“：1663599726000}，”page“：20965“，”卷“：”26“，”作者“：[{”给定“：”琉璃“，”家族“：”伊藤“，”序列“：”第一“，”从属“：[]}，{”给出“：”Hajime“，”家庭“：”Nobuhara“，”顺序“：”附加“，”隶属“：[]}，“给定”：“Shigeru”，“家族”：“Kato”，“序列”：“附加”，“从属”：[]{，“名称”：“日本茨城筑波大学智能交互技术系1-1-1 Tennoudai，Tsukuba，Ibaraki 305-8573published-online“：{“date-parts”：[[2022,9,20]]}，“reference”：[{“key”：“key-10.20965\/jacii.2022.p0776-1”，“unstructured”：“Z.Zou，Z.Shi，Y.Guo，and J.Ye，\u201c20年目标检测：一项调查，\u201 d arXiv:1905.050552019。”非结构化“：”W.Liu、S.Chen和L。Wei，\u201c《使用转移学习改进街道目标检测：从通用模型到特定模型》，《高级计算杂志》。因特尔。因特尔。通知。，第22卷，第6期，第869-874页，2018年。.2018.p1120“}，{”key“：”key-10.20965 \/jacii.2022.p0776-4“，”unstructured“：”A.Krizhevsky，I.Sutskever，G.E.Hinton，\u201cImageNet Classification with Deep Convolutional Neural Networks，\u201 d F.Pereira，C.J.Burges，L.Bottou，and K.Q.Weinberger（Eds.），《神经信息处理系统进展25》（NIPS），第1097-1105页，2012年。“}，{”key“key-10.20965\/jacii.2022.p0776-5“，”doi-asserted-by“：”crossref“，”unstructured“：”L.Jiao，F.Zhang，F.Liu，S.Yang，L.Li，Z.Feng，and R.Qu，\u201cA Survey of Deep Learning Based Object Deep Detection，\u201 IEEE Access，Vol.7，pp.128837-128868，2019.“，”doi“：”10.1109\/ACCES.2019.2939201“}，{“key”：“key-10.201965\/yacii.2022.p0776-6“，”doi-asserted-by“：”crossref“，”unstructured“：”S.J.Pan和Q.Yang，关于迁移学习的调查，IEEE Trans。关于知识与数据工程，第22卷，第10期，第1345-1359页，2010年。机器学习与计算杂志，第6卷，第1期，第27-31页，2016年。“}，{“key”：“key-10.20965”，jacii.2022.p0776-8“，”doi-asserted-by“：”crossref“，“unstructured”：“H.Zunair，N.Mohammed，and S.Momen，\u201cUnconventional Wisdom:A New Transfer Learning Applied to Bengali Numeral Classification，\u201 d Int。孟加拉语语音和语言处理会议（ICBSLP），2018年。“，”DOI“：”10.1109\/ICBSLP.2018.8554435“}，{”key“：”key-10.20965\/jacii.2022.p0776-9“，”DOI-asserted-by“：”crossref“，“unstructured”：“S.Imai and H.Nobuhara，\u201cStepwise PathNet:Transfer Learning Algorithm to Improve Network Structure Versability，”IEEE Int。系统、人与控制论会议，第918-922页，2018年。，“doi-asserted-by“：”crossref“，”unstructured“：”S.Nagae、S.Kawai和H.Nobuhara，使用遗传算法的转移学习层选择，IEEE进化计算大会（CEC），2020年。“，”doi“：”10.1109“/CEC48606.2020.9185501“}，{”key“：”key-10.20965“/jacii.2022.p0776-12。Kanda，S.Kawai和H.Nobuhara，用于转移学习和层有效性定量评估的自动层选择，《神经计算》，第469卷，第151-162页，2022年。“，“DOI”：“10.1016\/j.neucom.2021.0.051”}，{“key”：“key-10.20965\/jacii.2022.p0776-13”，“非结构化”：“A。Krizhevsky，《从微小图像中学习多层特征》，多伦多大学硕士论文，2009年。Le，\u201cEfficientdet：可扩展且高效的对象检测，\u201 d Proc。IEEE计算机视觉和模式识别会议（CVPR），第10781-10790页，2020年。“，“DOI”：“10.1109”，{“key”：“key-10.20965”，jacii.2022.p0776-15“，“DOI-asserted-by”：“crossref”，“unstructured”：“T.-Y.Lin，M.Maire，S.Belongie，J.Hays，P.Perona，D.Ramanan，P.Doll\u00e1r，and C.L。Zitnick，\u201cMicrosoft COCO:Common Objects in Context，\u201 D D.Fleet，T.Pajdla，B.Schiele，and T.Tuytelaars（编辑），\u2018 cComputer Vision\u2013 ECCV 2014，\u2017 D pp.740-755，Springer Cham，2014。“，“DOI”：“10.1007\/978-319-10602-1_48”}，{“key”：“key-10.20965\/jacii.2022.p0776-16”，“DOI-asserted-by”：“crossref”，《非结构化》：“E.David，S。Madec，P.Sadeghi-Tehran，H.Aasen，B.Zheng，S.Liu，N.Kirchgessner，G.Ishikawa，K.Nagasawa，和M.A.Badhon，《全球麦穗检测（GWHD）数据集：一个大型且多样的高分辨率RGB标记图像数据集，用于开发和基准麦穗检测方法》，《植物物候学》，第3521852条，2020年。“DOI”：“10.34133\/2020\/3521852“}，{“key”：“key-10.20965\/jacii.2022.p0776-17”，“unstructured”：“I.Ryuji，N.Hajime，and K.Shigeru，基于遗传算法的目标检测传输学习自动层选择，第七届高级计算智能与智能信息学国际研讨会（IWACIII），文章编号M2-3-5，2021。“}，{”key“：”key-10.20965 \/jacii.2022.p0776-18“，”unstructured“：”M.Tan和Q.Le，\u201cEfficientnet:卷积神经网络模型缩放的再思考，第36届国际机器学习会议（PMLR）第97卷，第6105-6114页，2019年。DeVries和G.W.Taylor，带截断的卷积神经网络的改进正则化，\u201d arXiv:1708.04552，2017。“}，{“key”：“key-10.20965\/jacii.2022.p0776-20”，“doi-asserted-by”：“crossref”，“unstructured”：“S.Yun，D.Han，S.J.Oh，S.Chun，J.Choe，and Y。Yoo，\u201cCutmix：训练具有可本地化特征的强分类器的正则化策略，\u201 d Proc。IEEE计算机视觉国际会议（ICCV）第6023-6032页，2019年key-10.20965 \/jacii.2022.p0776-22“，”unstructured“：”\u201cGlobal Wheat Detection，\u201d https:\/\/www.kaggle.com/c\/global-Wheat-Detection[于2022年3月15日访问]“}]，”container-title“：[”Journal of Advanced Computational Intelligence and Intelligent Informatics“]，”original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/www.fujipress.jp\/main\/wp-content\/themes\/fujipress\/hyosetsu.php？ppno=JACI002600050013“，”内容类型“：”未指定“，”内容版本“：”vor“，”预期应用程序“：”相似性检查“｝]，”存放“：｛”日期部分“：[[2022,9,19]，”日期时间“：”2022-09-19T15:04:34Z“，”时间戳“：1663599874000｝，”分数“：1，”资源“：｛”主要“：｛”URL“：”https://\\www.fujipress.jp\\/jacii\\/jc\\/jacii002600050776“｝｝，”副标题“：[]，”短标题“：[]，”已发行“：｛”日期部分“：[[2022,9,20]]｝，”参考文献数“：22，”期刊发行“：｛”发行“：“5”，”在线出版“：｛”日期部分“：[[2022,9,20]]｝，”已出版印刷“：｛”日期部分“：[[2022,9,20]]｝｝，”URL“：”http:\/\/dx.doi.org/10.20965\/jacii.2022.p0776“，”relationship“：｛｝，”ISSN“：[”1883-8014“，”1343-0130“]，”ISSN type“：[｛”value“：”1883-8014“，”type“：”电子“}，{”值“：”1343-0130“，”类型“：”打印“}]，”主题“：[]，”发布“：{”日期部分“：[2022,9,20]]}}}