×
张迪;周一成;赵嘉琪;周勇（Zhou，Yong）

基于协同进化的遥感场景分类参数学习。 （英语） Zbl 07526027号

国际小波多分辨率。信息处理。 20，第2号，文章ID 2150046，15 p.（2022）.
摘要：超参数的适当设置是决定深度学习模型性能的关键因素。高效的超参数优化算法不仅可以提高模型超参数优化的效率和速度，而且可以降低深度学习模型的应用门槛。因此，我们提出了一种基于参数学习算法的协同进化遥感场景分类方法。首先，提出了一种协同进化框架来同时优化卷积神经网络（CNN）的优化器超参数和权重参数。其次，通过两种群协同进化策略，超参数可以在种群内学习，CNN的权重可以利用种群间的信息进行更新。最后，采用并行计算机制来加快学习过程，因为这两个种群可以同时进化。在三个公共数据集上的大量实验证明了该方法的有效性。

MSC公司：

68时01分 人工智能的一般主题

关键词：

图像分类;超参数优化;进化算法;卷积神经网络;遥感

软件：

深度速度;亚当;小型计算机
PDF格式BibTeX公司 XML格式引用
\textit{D.Zhang}等人，《国际小波多分辨率》。信息处理。20，第2号，文章ID 2150046，15页（2022；Zbl 07526027）
全文： DOI程序

参考文献：

[1] Bei，Z.，Zhong，Y.，Xia，G.S.和Zhang，L.，Dirichlet导出的高空间分辨率遥感图像多主题场景分类模型，IEEE Trans。地质科学。远程传感器54（4）（2016）2108-2123。
[2] Ben-Nun，T.和Hoefler，T.，《解密并行和分布式深度学习：深度并发分析》，ACM Compute。《综述》52（4）（2019）1-43。
[3] Chen，G.，Zhang，Y.，Cai，Z.和Li，X.，基于深度信念网络的遥感图像建筑物识别与分析，Cogn。系统。第68（2021）号决议53-61。
[4] Cheng，G.，Xie，X.，Han，J.，Guo，L.和Xia，G.S.，《遥感图像场景分类遇到深度学习：挑战、方法、基准和机遇》，IEEE J.Sel。顶部。申请。地球观测卫星遥感器13（2020）3735-3756。
[5] Cheng，G.，Yang，C.，Yao，X.，Guo，L.和Han，J.，当深度学习遇到度量学习时：通过学习区分CNN进行遥感图像场景分类，IEEE Trans。地质科学。遥感器56（5）（2018）2811-2821。
[6] Dufourq，E.和Bassett，B.，EDEN：高效机器学习的进化深层网络，收录于Proc。第28届年度交响乐团。南非模式识别协会和第十届机器人与机电一体化国际会议（PRASA-RobMech），南非布隆方丹，2017年，第110-115页。
[7] 龚，C.，韩，J.和卢，X.，《遥感图像场景分类：基准和最新技术》，Proc。IEEE105（10）（2017）1865-1883。
[8] He，N.，Fang，L.，Li，S.，Plaza，J.和Plaza。神经网络。学习。系统31（5）（2019）1461-1474。
[9] Hutter，F.、Hoos，H.H.和Leyton-Brown，K.，通用算法配置的基于序列模型的优化，见Proc。第五届国际Conf.学习与智能优化（ICLIO），柏林，海德堡，2011年，第507-523页。
[10] M.Jaderberg、V.Dalibard、S.Osindero、W.M.Czarnecki、A.Razavi、O.Vinyals、T.Green、I.Dunning、C.Fernando和K.Kavukcuoglu，神经网络的基于人口的训练，预印本（2017），arXiv:1711.09846[cs]。
[11] 姜瑜，卓杰，张杰，肖欣，基于spark的并行卷积RBM优化，国际小波多分辨率。信息处理17（02）（2019）1940011·Zbl 1411.68109号
[12] Kingma，D.P.和Ba，J.L.，Adam：随机优化方法，见Proc。第三届国际学术代表大会（ICLR），2014年，arXiv:1412.6980。
[13] Li，Y.，Zhang，Y.和Zhu，Z.，遥感图像场景分类的容错深度学习，IEEE Trans。Cybernet.51（4）（2020）1756-1768。
[14] Liang，J.，Deng，Y.和Zeng，D.，将CNN和GCN相结合的深度神经网络用于遥感场景分类，IEEE J.Sel。顶部。申请。地球观测卫星遥感器13（2020）4325-4338。
[15] Linda，G.M.、Themozhi，G.和Bandi，S.R.，使用深度卷积神经网络进行横视步态识别的彩色轮廓步态图像，国际小波多分辨率。信息处理18（01）（2020）1941012·兹比尔1434.68541
[16] Liu，X.、Zhou，Y.、Zhao，J.、Yao，R.、Liu，B.、Ma，D.和Zheng，Y.，利用EMOAs进行遥感场景分类的多目标ResNet修剪，Neurocomputing381（2020）298-305。
[17] Lv，Y.，Zhang，X.，Xiong，W.，Cui，Y.和Cai，M.，用于遥感图像场景分类的端到端局部-全局融合特征提取网络，遥感11（24）（2019）3006。
[18] Ma，C.，Mu，X.，Lin，R.和Wang，S.，基于卷积神经网络的多层特征融合用于遥感场景分类，IEEE Geosci。遥感快报18（2）（2020）241-245。
[19] Navneet，D.和Bill，T.，土地利用分类的视觉词汇和空间扩展，见Proc。第18届ACM SIGSPATIAL国际地理信息系统进展会议，美国加利福尼亚州圣何塞，2010年，第270-279页。
[20] Oliva，A.和Torralba，A.，《场景形状建模：空间包络的整体表示》，《国际计算杂志》。见42（3）（2001）145-175·Zbl 0990.68601号
[21] Qi，K.，Yang，C.，Hu，C.，Shen，Y.，沈，S.和Wu，H.，利用卷积神经网络进行遥感图像场景分类的旋转不变性正则化，遥感。13（4）（2021）569。
[22] Quach，L.-D.，Pham-Quoc，N.，Tran，D.C.和Hassan，M.F.，《使用VGGNet和ResNet模型识别鸡疾病》，载于《国际协调工业网络和智能系统》（Springer，2020），第259-269页。
[23] Ran，H.，Wen，S.，Shi，K.和Huang，T.，记忆GoogLeNet神经网络的稳定和紧凑设计，神经计算441（2021）52-63。
[24] Rasley，J.、Rajbhandari，S.、Ruwase，O.和He，Y.，《DeepSpeed:系统优化能够训练超过1000亿个参数的深度学习模型》，见Proc。第26届ACM SIGKDD Int.Conf.Knowledge Discovery&Data Mining，Virtual Event，CA，USA，2020年，第3505-3506页。
[25] Snoek，J.、Rippel，O.、Swersky，K.、Kiros，R.、Satish，N.、Sundaram，N.，Patwary，M.M.A.、Prabhat和Adams，R.P.，《使用深度神经网络的可伸缩贝叶斯优化》，Proc。第32届国际计算机学习会议（ICML），法国里尔，2015年，第2171-2180页。
[26] Suganuma，M.、Shirakawa，S.和Nagao，T.，设计卷积神经网络架构的遗传编程方法，见Proc。第27届国际人工智能联合会（IJCAI），2018年，第5369-5373页。
[27] Tang，X.，Ma，Q.，Zhang，X.、Liu，F.、Ma，J.和Jiao，L.，遥感场景分类的注意力一致性网络，IEEE J.Sel。顶部。申请。地球观测卫星遥感器14（2021）2030-2045。
[28] Tong，W.、Chen，W.和Han，W.，Li，X.以及Wang，L.，用于遥感图像场景分类的基于通道关注度的DenseNet网络，IEEE J.Sel。顶部。申请。地球观测卫星遥感器13（2020）4121-4132。
[29] Tong，S.，Qi，K.，Guan，Q.，Zhu，Q.，Yang，C.和Zheng，J.，使用空间变换器融合网络的遥感场景分类，2020 IEEE国际地球科学与遥感研讨会。（IGARSS 2020）（IEEE，2020），第549-552页。
[30] Vimina，E.R.和Jacob，K.P.，使用BoVW框架增强图像检索的特征融合方法，IET图像处理。13（11）（2019）1979-1985。
[31] Wang，J.、Liu，W.、Ma，L.、Chen，H.和Chen，L.，IORN：一个有效的遥感图像场景分类框架，IEEE Geosci。遥感快报15（11）（2018）1695-1699。
[32] Wu，J.和Frazier，P.I.，批量贝叶斯优化的并行知识梯度方法。第30届神经信息处理系统年度会议，2016年，第1077-1084页。
[33] Xu，K.，Huang，H.，Deng，P.和Shi，G.，用于遥感图像场景分类的双流特征聚合深度神经网络，信息科学539（2020）250-268·Zbl 1474.68401号
[34] Yan，B.，Chen，Q.，Ye，R.和Zhou，X.，基于卷积神经网络的绝缘子爆炸检测和识别，国际小波多分辨率。信息处理17（02）（2019）1940008·Zbl 1408.94746号
[35] Yoshikawa，N.、Terayama，K.、Honma，T.、Oono，K.和Tsuda，K.，使用语法进化的基于种群的从头开始分子生成，化学。Lett.47（11）（2018）4131-4134。
[36] Young，S.R.、Rose，D.C.、Karnowski，T.P.、Lim，S.H.和Patton，R.M.，《通过进化算法优化深度学习超参数》，收录于Proc。高性能计算环境中的机器学习第一次研讨会（MLHPC），美国得克萨斯州奥斯汀，2015年，第1-5页。
[37] Yuan，Y.、Fang，J.、Lu，X.和Feng，Y.，利用重新排列的局部特征进行遥感图像场景分类，IEEE Trans。地质科学。遥感57（3）（2018）1779-1792。
[38] Zhang，S.，Cheng，Q.，Chen，D.和Zhang。H.，多通道结构卷积神经网络训练自动编码器的图像目标识别模型，IEEE Access8（2020）113090-113103。
[39] 张浩，金彦，郑汝，郝克浩，快速进化神经结构搜索的样本训练和节点继承，预印本（2020），arXiv:2003.11613[cs]。
[40] Zhu，H.，Ma，M.，Ma.，W.，Jiao，L.，Hong，S.，Shen，J.和Hou，B.，用于遥感分类的空间通道渐进融合ResNet，Inf.Fusion70（2021）72-87。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。