Facta Universitatis Series Automatic Control and Robotics·10月18日 · 周日论文农业遥感与作物表型阅读 0
IMPLEMENTATION OF META-HEURISTIC OPTIMIZATION ALGORITHMS IN CONVOLUTIONAL NEURAL NETWORKS FOR OBJECT DETECTION AND CLASSIFICATION
Nikola Ivačko · Ivan S Ciric · Milica Tasić 等 5 人
论文解读
61接近精选线
速览
综述元启发式算法嵌入CNN流程以优化目标检测与分类的研究进展。
方法
系统综述遗传算法、粒子群等群智能方法用于CNN架构搜索与超参调优。
发现
混合优化方法在医学影像、农业等领域兼顾精度与效率，部分模型准确率超99%。
机会点
农业场景下元启发式优化CNN的架构搜索与轻量化部署仍缺乏系统基准与田间验证。
影响力8
信息增量18
专业深度15
信源权威12
时效性8
综述系统梳理元启发式优化在CNN视觉任务中的嵌入方法，含农业应用，但属通用方法综述，非农业专属突破。
原文摘要
卷积神经网络（CNNs）已发展成为现代计算机视觉系统的核心骨干，在多个应用领域中展现出卓越的目标检测与分类性能。然而，人工设计合适的CNN架构并相应地选择最优超参数集仍然是繁琐且耗时的过程。本综述旨在全面回顾遗传算法、粒子群优化及其他群体智能方法等元启发式优化算法如何嵌入基于CNN的流程中以获得更优的检测与分类结果。我们汇集了自动化架构搜索、超参数调优、模型压缩和集成学习方面的最新进展。通过系统梳理在医学影像、农业、车辆识别和遥感领域的应用，我们揭示了混合优化方法如何以计算效率持续实现更优的精度。优化后的CNN模型在多数情况下远超其基线版本，尤其在健康诊断领域，若干精细调优的架构达到了超过99%的准确率。本综述为将在基于深度学习的计算机视觉系统中应用元启发式优化的从业者和研究者，提供了关于方法学进展、实施实践和新兴研究方向的结构化且更新的概述。