Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Evolucionando cnn con algoritmo de campo de arroz para reconocimiento de hitos geográficos
Las redes neuronales convolucionales (CNNs) operan dentro de una amplia variedad de hiperparámetros, cuya optimización puede mejorar significativamente el rendimiento de las CNNs al realizar la tarea en cuestión. Sin embargo, estos hiperparámetros pueden ser muy difíciles de optimizar, ya sea de forma manual o por fuerza bruta. Se han desarrollado métodos de búsqueda de arquitectura neuronal o NAS para abordar este problema y se utilizan para encontrar las mejores arquitecturas para el paradigma de aprendizaje profundo. En este artículo, se ha evolucionado una CNN con un conocido algoritmo metaheurístico inspirado en la naturaleza llamado algoritmo de campo de arroz (PFA). Se puede observar que el PFA puede evolucionar la arquitectura neuronal utilizando el Conjunto de Datos de Hitos de Google V2, que es uno de los conjuntos de datos más difíciles disponibles en la literatura. El rendimiento de la CNN, cuando se evalúa en función del punto de referencia de precisión, aumenta de una precisión de 0.53 a 0.76, lo que representa una mejora de más del 40%. La arquitectura evolucionada también muestra algunas mejoras significativas en los hiperparámetros que normalmente se consideran los más adecuados para la tarea.
Autores: Bansal, Kanishk; Singh, Amar; Verma, Sahil; Kavita, ; Jhanjhi, Noor Zaman; Shorfuzzaman, Mohammad; Masud, Mehedi
Idioma: Inglés
Editor: MDPI
Año: 2022
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 12
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Kanishk Bansal, Amar Singh, Sahil Verma, Kavita, Noor Zaman Jhanjhi, Mohammad Shorfuzzaman y Mehedi Masud para la revista Electronics, Vol. 11, Núm. 7. Publicación de MDPI. Contacto: electronics@mdpi.com
Las redes neuronales convolucionales (CNNs) operan dentro de una amplia variedad de hiperparámetros, cuya optimización puede mejorar significativamente el rendimiento de las CNNs al realizar la tarea en cuestión. Sin embargo, estos hiperparámetros pueden ser muy difíciles de optimizar, ya sea de forma manual o por fuerza bruta. Se han desarrollado métodos de búsqueda de arquitectura neuronal o NAS para abordar este problema y se utilizan para encontrar las mejores arquitecturas para el paradigma de aprendizaje profundo. En este artículo, se ha evolucionado una CNN con un conocido algoritmo metaheurístico inspirado en la naturaleza llamado algoritmo de campo de arroz (PFA). Se puede observar que el PFA puede evolucionar la arquitectura neuronal utilizando el Conjunto de Datos de Hitos de Google V2, que es uno de los conjuntos de datos más difíciles disponibles en la literatura. El rendimiento de la CNN, cuando se evalúa en función del punto de referencia de precisión, aumenta de una precisión de 0.53 a 0.76, lo que representa una mejora de más del 40%. La arquitectura evolucionada también muestra algunas mejoras significativas en los hiperparámetros que normalmente se consideran los más adecuados para la tarea.
Descripción
Las redes neuronales convolucionales (CNNs) operan dentro de una amplia variedad de hiperparámetros, cuya optimización puede mejorar significativamente el rendimiento de las CNNs al realizar la tarea en cuestión. Sin embargo, estos hiperparámetros pueden ser muy difíciles de optimizar, ya sea de forma manual o por fuerza bruta. Se han desarrollado métodos de búsqueda de arquitectura neuronal o NAS para abordar este problema y se utilizan para encontrar las mejores arquitecturas para el paradigma de aprendizaje profundo. En este artículo, se ha evolucionado una CNN con un conocido algoritmo metaheurístico inspirado en la naturaleza llamado algoritmo de campo de arroz (PFA). Se puede observar que el PFA puede evolucionar la arquitectura neuronal utilizando el Conjunto de Datos de Hitos de Google V2, que es uno de los conjuntos de datos más difíciles disponibles en la literatura. El rendimiento de la CNN, cuando se evalúa en función del punto de referencia de precisión, aumenta de una precisión de 0.53 a 0.76, lo que representa una mejora de más del 40%. La arquitectura evolucionada también muestra algunas mejoras significativas en los hiperparámetros que normalmente se consideran los más adecuados para la tarea.