Resumen

En los últimos años, se han desarrollado algunos métodos de aprendizaje profundo y se han aplicado a aplicaciones de clasificación de imágenes, como la red neuronal convolucional (CNN) y la red de creencia profunda (DBN). Sin embargo, adolecen de algunos problemas como los mínimos locales, la lenta tasa de convergencia y la intensa intervención humana. En este trabajo, proponemos un método de aprendizaje rápido, a saber, la máquina de aprendizaje extremo convolucional profunda (DC-ELM), que combina la potencia de la CNN y el entrenamiento rápido de la ELM. Utiliza múltiples capas de convolución alternas y capas de agrupación para abstraer eficazmente las características de alto nivel de las imágenes de entrada. A continuación, las características abstraídas se introducen en un clasificador ELM, lo que conduce a un mejor rendimiento de generalización con una mayor velocidad de aprendizaje. DC-ELM también introduce un pooling estocástico en la última capa oculta para reducir la dimensionalidad de las características en gran medida, ahorrando así mucho tiempo de entrenamiento y recursos computacionales. Evaluamos sistemáticamente el rendimiento de DC-ELM en dos conjuntos de datos de dígitos escritos a mano: MNIST y USPS. Los resultados experimentales muestran que nuestro método logró una mejor precisión en las pruebas con un tiempo de entrenamiento significativamente menor en comparación con los métodos de aprendizaje profundo y otros métodos ELM.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:métodos de aprendizaje profundo, capa de convolución alternativa, elm, dimensionalidad de las características, potencia de cnn, deep believes network, última capa oculta, mucho tiempo de entrenamiento, intervención humana intensiva, conjunto de datos de dígitos
• Keywords:deep learning methods, alternate convolution layer, elm, dimensionality of features, power of cnn, deep believes network, last hidden layer, much training time, intensive human intervention, digit data set