顶部>JACIII公司>基于基因的目标检测模型传递学习方法。。。

单jc.php

JACIII第26卷第5期，第776-783页
doi:10.20965/jaciii.2022.p0776
(2022)

纸张：

过去60天的浏览量： 474

基于遗传算法的目标检测模型的迁移学习方法

伊藤良治*，Hajime Nobuhara*和加藤茂**

*筑波大学智能交互技术系
日本茨城筑波县田努代1-1-1邮编：305-8573

**日本国立理工学院
7-1 Yagumo-cho，Niihama，Ehime 792-8580，日本

收到：
2022年3月17日
认可的：
2022年6月10日
出版：
2022年9月20日
Creative Commons许可证
关键词：
深度学习、遗传算法、目标检测、转移学习
摘要

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。自动选择再学习层的该方法的mAP平均值（≈0.603）高于传统方法的平均mAP（≈0.594）。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。

用遗传算法选择再学习层

用遗传算法选择再学习层

引用本文为：
R.Ito、H.Nobuhara和S.Kato，“使用遗传算法的目标检测模型的转移学习方法”高级计算杂志。智力。智力。通知。第26卷第5期，第776-7832022页。
数据文件：
工具书类
  1. [1] 邹总，石总，郭玉云，叶坚，“20年来的物体检测：一项调查”，arXiv:1905.050552019。
  2. [2] W.Liu、S.Chen和L.Wei，“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》。智力。智力。通知。，第22卷，第6期，第869-874页，2018年。
  3. [3] J.Liu，“基于目标检测的番茄产量估算”，J.Adv.Compute。智力。智力。通知。，第22卷，第7期，第1120-11252018页。
  4. [4] A.Krizhevsky、I.Sutskever和G.E.Hinton，“深度卷积神经网络的ImageNet分类”，F.Pereira、C.J.C.Burges、L.Bottou和K.Q.Weinberger（编辑），《神经信息处理系统进展25》（NIPS），第1097-11052012页。
  5. [5] L.Jiao、F.Zhang、F.Liu、S.Yang、L.Li、Z.Feng和R.Qu，“基于深度学习的目标检测综述”，IEEE Access，第7卷，第128837-128868页，2019年。
  6. [6] S.J.Pan和Q.Yang，“迁移学习调查”，IEEE Trans。知识与数据工程，第22卷，第10期，第1345-1359页，2010年。
  7. [7] Y.Sawada和K.Kozuka，“小规模数据集深层神经网络的整层转移学习”，《机器学习与计算国际期刊》，第6卷第1期，第27-31页，2016年。
  8. [8] H.Zunair、N.Mohammed和S.Momen，“非传统智慧：应用于孟加拉语数字分类的新迁移学习方法”，孟加拉语语音和语言处理国际会议，2018年。
  9. [9] S.Imai和H.Nobuhara，“逐步路径网：改进网络结构多功能性的转移学习算法”，IEEE系统、人和控制论（SMC）国际会议，第918-922页，2018年。
  10. [10] A.M.Thengade和R.Dondal，“遗传算法——调查论文”，MPGI国家多方会议（MPGINMC），第25-29页，2012年。
  11. [11] S.Nagae、S.Kawai和H.Nobuhara，“使用遗传算法选择转移学习层”，IEEE进化计算大会（CEC），2020年。
  12. [12] S.Nagae、D.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。
  13. [13] 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。
  14. [14] M.Tan、R.Pang和Q.V.Le，“Efficientdet:可扩展和高效的对象检测”，Proc。IEEE/CVF计算机视觉和模式识别会议（CVPR），第10781-10790页，2020年。
  15. [15] T.-Y.Lin、M.Maire、S.Belongie、J.Hays、P.Perona、D.Ramanan、P.Dollár和C.L.Zitnick，“微软COCO:上下文中的通用对象”，D.Fleet、T.Pajdla、B.Schiele和T.Tuytelaars（编辑），“计算机视觉–ECCV 2014”，第740-755页，Springer Cham，2014年。
  16. [16] 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：一个大而多样的高分辨率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。
  17. [17] I.Ryuji、N.Hajime和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和智能信息学国际研讨会，第M2-3-5号，2021年。
  18. [18] M.Tan和Q.Le，“效率网：卷积神经网络模型缩放的重新思考”，Proc。第36届国际机器学习大会（PMLR），第97卷，第6105-6114页，2019年。
  19. [19] T.DeVries和G.W.Taylor，“带截断的卷积神经网络的改进正则化”，arXiv:1708.045522017年。
  20. [20] S.Yun、D.Han、S.J.Oh、S.Chun、J.Choe和Y.Yoo，“Cutmix：训练具有本地化特征的强大分类器的正则化策略”，Proc。IEEE/CVF计算机视觉国际会议（ICCV），第6023-6032页，2019年。
  21. [21]I.Loshchilov和F.Hutter，“解耦重量衰减正则化”，学习表征国际会议，2019年。
  22. [22]“全球小麦检测”https://www.kaggle.com/c/global-wheat-detection网站【2022年3月15日访问】

Creative Commons许可证 本文发表于Creative Commons Attribution-NoDerivatives 4.0国际许可证。

*该网站是基于HTML5和CSS3为现代浏览器设计的，例如Chrome、Firefox、Safari、Edge、Opera。

上次更新日期：2024年9月20日