論文の概要: Artificial Bee Colony optimization of Deep Convolutional Neural Networks
in the context of Biomedical Imaging
- arxiv url: http://arxiv.org/abs/2402.15246v1
- Date: Fri, 23 Feb 2024 10:21:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 15:05:08.654613
- Title: Artificial Bee Colony optimization of Deep Convolutional Neural Networks
in the context of Biomedical Imaging
- Title（参考訳）: バイオメディカルイメージングにおける深部畳み込みニューラルネットワークの人工蜂コロニー最適化
- Authors: Adri Gomez Martin, Carlos Fernandez del Cerro, Monica Abella Garcia
and Manuel Desco Menendez
- Abstract要約: 我々は,人工蜂コロニーアルゴリズムと進化計算ツールを統合して,スクラッチからモデルを生成する,新しいハイブリッド型ニューロエボレーティブアルゴリズムを提案する。
Chimera Algorithmは、自然画像と医療画像の2つのデータセットで検証され、Transfer Learningのパフォーマンスを上回りました。
- 参考スコア（独自算出の注目度）: 9.334663477968027
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Most efforts in Computer Vision focus on natural images or artwork, which
differ significantly both in size and contents from the kind of data biomedical
image processing deals with. Thus, Transfer Learning models often prove
themselves suboptimal for these tasks, even after manual finetuning. The
development of architectures from scratch is oftentimes unfeasible due to the
vastness of the hyperparameter space and a shortage of time, computational
resources and Deep Learning experts in most biomedical research laboratories.
An alternative to manually defining the models is the use of Neuroevolution,
which employs metaheuristic techniques to optimize Deep Learning architectures.
However, many algorithms proposed in the neuroevolutive literature are either
too unreliable or limited to a small, predefined region of the hyperparameter
space. To overcome these shortcomings, we propose the Chimera Algorithm, a
novel, hybrid neuroevolutive algorithm that integrates the Artificial Bee
Colony Algorithm with Evolutionary Computation tools to generate models from
scratch, as well as to refine a given previous architecture to better fit the
task at hand. The Chimera Algorithm has been validated with two datasets of
natural and medical images, producing models that surpassed the performance of
those coming from Transfer Learning.
- Abstract（参考訳）: コンピュータビジョンにおけるほとんどの取り組みは自然画像やアートワークに焦点を当てており、サイズも内容も、バイオメディカル画像処理の種類とは大きく異なる。
したがって、転送学習モデルは、手動で微調整した後でも、これらのタスクに最適でないことがしばしば証明される。
スクラッチからのアーキテクチャの開発は、しばしばハイパーパラメータ空間の広さと時間の不足、計算資源、多くの生物医学研究所におけるディープラーニングの専門家のために実現不可能である。
モデルを手動で定義する別の方法として、ディープラーニングアーキテクチャの最適化にメタヒューリスティック技術を使用するNeuroevolutionがある。
しかし、神経電気学の文献で提案された多くのアルゴリズムは、信頼できないか、ハイパーパラメータ空間の小さな未定義領域に限られている。
これらの欠点を克服するため,我々は,人工ビーコロニーアルゴリズムと進化計算ツールを統合した新しいハイブリッドニューロ進化アルゴリズムであるChimera Algorithmを提案する。
chimeraアルゴリズムは、自然画像と医学画像の2つのデータセットで検証され、転送学習から得られるデータのパフォーマンスを上回るモデルを生成する。
関連論文リスト
- Deep learning-based Visual Measurement Extraction within an Adaptive Digital Twin Framework from Limited Data Using Transfer Learning [0.0]
Digital Twinsの技術は、モデルとシミュレーションをリアルタイムデータに統合することによって、科学的研究における意思決定に革命をもたらしている。
本研究は,人工知能を用いた新しいアプローチを提案する。
畳み込みニューラルネットワークを用いて、デジタル画像相関スペックルパターン画像と変形場とを関連づけることで、リアルタイムで構造挙動を解析する。
論文 参考訳（メタデータ） (2024-10-07T18:10:12Z) - An automatic selection of optimal recurrent neural network architecture
for processes dynamics modelling purposes [0.0]
この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。
アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。
この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
論文 参考訳（メタデータ） (2023-09-25T11:06:35Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Multi-level Data Representation For Training Deep Helmholtz Machines [0.0]
我々は,Human Image Perception 機構を用いて,複雑な検索空間において,Helmholtz Machine と呼ばれる生物学的に妥当な生成モデルの学習を指導する。
我々は,マルチレベルデータ表現を用いて,異なる解像度の視覚的キューをネットワークの隠蔽層に提供することで,この問題を解決することを提案する。
いくつかの画像データセットの結果は、モデルがより優れた全体的な品質を得るだけでなく、生成された画像のより広範な多様性を得ることができることを示した。
論文 参考訳（メタデータ） (2022-10-26T16:55:40Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Fast and scalable neuroevolution deep learning architecture search for
multivariate anomaly detection [0.0]
この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。
提案フレームワークは,任意の非教師なしタスクに対して,効率的な学習ネットワークアーキテクチャ手法として利用することができる。
論文 参考訳（メタデータ） (2021-12-10T16:14:43Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳（メタデータ） (2021-11-05T02:54:06Z) - On the Exploitation of Neuroevolutionary Information: Analyzing the Past
for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。
本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文 参考訳（メタデータ） (2021-05-26T20:55:29Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。