CN116152572A - 基于深度强化学习与进化算法的图像识别方法 - Google Patents
基于深度强化学习与进化算法的图像识别方法 Download PDFInfo
- Publication number
- CN116152572A CN116152572A CN202310255099.9A CN202310255099A CN116152572A CN 116152572 A CN116152572 A CN 116152572A CN 202310255099 A CN202310255099 A CN 202310255099A CN 116152572 A CN116152572 A CN 116152572A
- Authority
- CN
- China
- Prior art keywords
- image recognition
- image
- gen
- model
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度强化学习与进化算法的图像识别方法,包括:步骤一、收集图像数据并对图像进行标准处理;步骤二、定义优化目标及优化目标函数;步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解;步骤四、针对模型采用基于深度学习与进化算法的方法进行优化训练;步骤五、采用优化后图像识别模型对图像数据进行分类。本发明能应用于图像识别,通过优化模型结构,从而有效提升图像识别的精度,降低图像分类错误率。
Description
技术领域
本发明涉及图像识别领域,具体的说是一种基于深度强化学习与进化算法的图像识别方法,图像识别是深度学习算法在实践上的一种应用,在现实生活中也有很强的应用价值。
背景技术
随着信息时代的到来与机器学习的迅速发展,深度学习逐渐被广泛应用于现实生活中的各个领域,如计算机视觉、数据挖掘、自然语言处理与多媒体学习等,并且取得了许多傲人的成果,而图像识别也是深度学习的重要应用。
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是对深度学习算法的一种实践应用。各种图像识别方法的精准度无一例外都高度依赖于其所采用的神经网络的性能,而神经网络的结构则是影响神经网络的复杂度与分类错误率的重要因素,从而影响神经网络的性能,因此优化神经网络的结构是改进图像识别方法的重要手段,现有图像识别方法不够重视识别模型中神经网络的结构优化。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于深度强化学习与进化算法的图像识别方法,以期能优化图像识别模型中采用的神经网络结构来提升图像识别的精度,从而能降低图像识别分类的错误率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于深度强化学习与进化算法的图像识别方法的特点是按如下步骤进行:
步骤一、收集图像数据并进行标准化处理;
获取T个图像样本及其类别标签,并根据每个图像样本的类别标签,提取每个图像样本对应的属性特征,从而得到图像样本的属性特征集其中,xt表示第t个图像样本的属性特征,yt表示第t个图像样本的真实类别标签,t=1,2,…,T;T表示图像样本的数量;
步骤二、定义优化目标及优化目标函数:
步骤2.1、构建图像识别网络Model,包括:输入层、隐藏层和输出层;并利用式(1)构建图像识别网络Model的决策向量C:
C=(p1,p2,...,pi,...,pk,a1,a2,...,ai,...,ak,r,z) (1)
式(1)中,pi为图像识别网络Model中第i层隐藏层的神经元数量,ai为图像识别网络Model中第i层隐藏层选择的激活函数,z为图像识别网络Model的优化器,r为图像识别网络Model的学习率;1≤i≤k;k表示图像识别网络Model中隐藏层的总层数;
步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解;
步骤3.1、定义优化目标的决策向量上界为Upper;定义优化目标的决策向量下界为Lower;定义种群为P,定义种群P的大小为N;定义均匀分布的权重向量为w;定义每个权重向量的邻居索引为B;定义深度神经网络为Q,定义经验回放池为U,定义候选算子集为OP;定义当前代为gen,并初始化gen=1;定义总代数为G;
定义第gen代种群Pgen中的每个个体是由决策向量C和多目标优化函数F组成;
步骤3.4、利用第gen代种群Pgen中第n个个体的决策向量/>构建第gen代种群Pgen中第t个图像识别网络/>并将T个图像样本的属性特征/>输入/>中进行处理,并得到/>预测的类别标签集/>其中,/>表示/>在第t个图像样本的属性特征xt上的预测类别标签;
步骤3.7、交配池选择:
步骤3.8、计算第m个父代的权重向量/>并从/>的邻居索引/>中随机选取一个邻居作为第二个父代/>将/>的决策向量/>和权重向量/>组合为状态/>将状态/>输入到深度神经网络Q中,得出第gen代第m个候选算子集中每个算子的概率值,并通过轮盘赌从概率值中选择一个算子op;
步骤3.10、从邻居索引中选择一个邻居y,分别计算子代/>和邻居y的聚合函数值,如果子代/>的聚合函数值小于邻居y的聚合函数值,则用子代/>替换邻居y,否则,不替换;从而遍历完邻居索引/>中的所有邻居,并得到第gen+1代种群Pgen+1;
步骤3.11、定义子代的聚合函数值相对于父代/>的聚合函数值的提升幅度作为奖励/>同时将子代/>的决策向量和权重向量组合为一个状态state2,将,op,/>state2作为一组训练数据,并放入经验回放池U中;
步骤3.12、从经验回放池T中随机选取若干组训练数据并输入所述深度神经网络Q中进行训练,得到训练后的深度神经网络,并赋值给Q;
步骤3.13、将gen+1赋值给gen,判断gen<G是否成立,若成立,则返回步骤3.3顺序执行,否则,输出第G代种群PG;
步骤四、对图像样本进行分类;
步骤4.2、将属性特征输入第j个图像识别模型Modelj中进行处理,得到T个图像识别结果/>其中y”t表示所述图像识别模型Modelj在第t个图像的样本上的预测类别标签,根据识别结果/>和所述真实类别标签集/>构建第j个图像识别模型Modelj的损失函数Lossj;
步骤4.3、利用梯度下降法对第j个图像识别模型Modelj进行训练,并计算损失函数Lossj以更新模型参数,直到Lossj收敛为止,从而得到训练后的第j个图像识别模型Modelj;
步骤4.4、将属性特征输入训练后的第j个图像识别模型Modelj中进行处理,得到更新后的图像识别结果/>其中,/>表示训练后的第j个图像识别模型Modelj在第t个图像样本的预测类别标签,根据更新后的图像识别结果/>与所述真实标签信息/>间的损失函数值Loss'j,计算第G代种群PG中的第j个个体/>的两个优化目标函数值;
步骤4.5、将j+1赋值给j,若j>N,则表示第G代种群PG中的所有个体的两个优化目标函数值优化完成,并执行步骤4.6,否则,返回步骤4.1顺序执行;
步骤4.6、在二维坐标系中对第G代种群PG中每个个体优化后的两个优化目标函数值进行拟合,得到拟合曲线,选择拟合曲线的拐点处所对应个体的决策向量,并代入图像识别网络Model中,从而得到最优图像分类模型Modelfinal用于对图像进行识别分类。
本发明一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述图像识别方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述图像识别方法的步骤。
与现有技术相比,本发明的有益效果在于:
1、本发明提出了一种基于强化学习的多目标算子选择方法,是通过将神经网络结构参数作为状态,将候选操作符作为动作,将适应度提高作为奖励,将种群进化作为环境,智能体使用深度神经网络来学习一个策略,估计给定状态下每个动作的Q值。Q值代表一个操作者在未来而不是在过去带来的累积适应度提升,因此预期在未来的世代产生更好的后代解。从而优化图像识别方法模型结构,提升了图像分类识别的正确率。
2、本发明将所提出的算子选择方法嵌入到具有动态资源分配的基于分解的多目标进化算法中,应用于图像识别方法,提升了图像识别方法的精准度。在提出的方法中,智能体迭代更新深度神经网络来指导操作符的选择,通过采用4种不同类型的变异算子作为候选算子,本发明提出的方法具有较高的通用性,在实验中取得了较好的分类识别性能。
附图说明
图1为发明方法完整流程图;
图2为多目标优化算法流程图;
图3为强化学习的过程图。
具体实施方式
本实施例中,如图1所示,一种基于深度强化学习与进化算法的图像识别方法按照如下步骤进行:
步骤一、收集图像数据并进行标准化处理;
获取T个图像样本及其类别标签,并根据每个图像样本的类别标签,提取每个图像样本对应的属性特征,从而得到图像样本的属性特征集其中,xt表示第t个图像样本的属性特征,yt表示第t个图像样本的真实类别标签,t=1,2,…,T;T表示图像样本的数量;
步骤二、定义优化目标及优化目标函数:
步骤2.1、构建图像识别网络Model,包括:输入层、隐藏层和输出层;并利用式(2)构建图像识别网络Model的决策向量C:
C=(p1,p2,...,pi,...,pk,a1,a2,...,ai,...,ak,r,z) (2)
式(1)中,pi为图像识别网络Model中第i层隐藏层的神经元数量,ai为图像识别网络Model中第i层隐藏层选择的激活函数,z为图像识别网络Model的优化器,r为图像识别网络Model的学习率;1≤i≤k;k表示图像识别网络Model中隐藏层的总层数
步骤三、如图2所示,采用基于深度学习与进化算法对多目标优化函数F进行求解;
步骤3.1、定义优化目标的决策向量上界为Upper;定义优化目标的决策向量下界为Lower;定义种群为P,定义种群P的大小为N;定义均匀分布的权重向量为w;定义每个权重向量的邻居索引为B;定义深度神经网络为Q,定义经验回放池为U,定义候选算子集为OP;定义当前代为gen,并初始化gen=1;定义总代数为G;
下面为候选算子集OP中的四个候选算子:
模拟二进制交叉算子如式(3)所示:
式(3)中,x=(x1,...,xd,...,xD)是子代解,D是决策变量维度,y1,y2是两个父代,μ是在[0,1]范围内均匀采样的随机值,η是一个预定义的参数,通常取1。
MOEA/D-M2M中的交叉算子如式(4)所示:
式(4)中,r1,r2是在[0,1]范围内均匀采样的随机值,gen是当前进化代数,maxgen是最大进化代数。
DE/rand/1和DE/rand/2两种差分算子:
DE/rand/1算子如式(5)所示:
DE/rand/2算子如式(6)所示:
其中F和CR是预定义的参数,r是在[0,1]范围内随机采样的变量。
定义第gen代种群Pgen中的每个个体是由决策向量C和多目标优化函数F组成;
步骤3.4、利用第gen代种群Pgen中第n个个体的决策向量/>构建第gen代种群Pgen中第t个图像识别网络/>并将T个图像样本的属性特征/>输入/>中进行处理,并得到/>预测的类别标签集/>其中,/>表示/>在第t个图像样本的属性特征xt上的预测类别标签;
步骤3.7、交配池选择:
步骤3.8、计算第m个父代的权重向量/>并从/>的邻居索引/>中随机选取一个邻居作为第二个父代/>将/>的决策向量/>和权重向量/>组合为状态/>将状态/>输入到深度神经网络Q中,得出第gen代第m个候选算子集中每个算子的概率值,并通过轮盘赌从概率值中选择一个算子op;
步骤3.10、从邻居索引中选择一个邻居y,分别计算子代/>和邻居y的聚合函数值,如果子代/>的聚合函数值小于邻居y的聚合函数值,则用子代/>替换邻居y,否则,不替换;从而遍历完邻居索引/>中的所有邻居,并得到第gen+1代种群Pgen+1,其中,聚合函数的定义如式(7)所示:
式(8)中,w是y的权重向量,为了避免优势解降低邻域内子种群的多样性,一个子代解最多可以替换邻域内nr个解,因此邻域内相对适应度提高率(NFIx)进一步计算为子代解x替换nr个邻域解的适应度提高之和。
步骤3.11、定义子代的聚合函数值相对于父代/>的聚合函数值的提升幅度作为奖励/>同时将子代/>的决策向量和权重向量组合为一个状态state2,将,op,/>state2作为一组训练数据,并放入经验回放池U中。考虑的进化算法的随机性,本发明的方法将历史时期应用的算子op和获得的邻域适应度提高率NFIx构造成一个元组(op,NFIx)保存到一个先进先出的队列R中。算子奖励的计算如公式(9)所示:
步骤3.12、从经验回放池T中随机选取若干组训练数据并输入所述深度神经网络Q中进行训练,得到训练后的深度神经网络,并赋值给Q。如图3所示,基于值的方法通过拟合动作值函数来处理离散的行为空间,该函数计算在状态st时采取动作at的预期累积奖励(Q值)。具体来讲,动作值函数按照如下方式定义:
DeepQ-Network(DQN)的方法使用深度神经网络逼近具有连续动作空间的状态-值函数,神经网络的输入和输出分别是当前状态和状态下执行所有动作可以获得的Q值,DQN将获取的元组存储在经验重放池中作为训练集,并采取动作与神经网络的训练交叉,神经网络的损失函数使用均方误差表示,并且采用梯度下降的方法降低损失。
式(11)中,T是训练集,Q(st,at)表示在输入向量st时神经网络中第at个神经元的输出,qt是在状态st时执行动作at的Q值。
步骤3.13、将gen+1赋值给gen,判断gen<G是否成立,若成立,则返回步骤3.3顺序执行,否则,输出第G代种群PG;
步骤4.2、将属性特征输入第j个图像识别模型Modelj中进行处理,得到T个图像识别结果/>其中y”t表示所述图像识别模型Modelj在第t个图像的样本上的预测类别标签,根据识别结果/>和所述真实类别标签集/>构建第j个图像识别模型Modelj的损失函数Lossj;
步骤4.3、利用梯度下降法对第j个图像识别模型Modelj进行训练,并计算损失函数Lossj以更新模型参数,直到Lossj收敛为止,从而得到训练后的第j个图像识别模型Modelj;
步骤4.4、将属性特征输入训练后的第j个图像识别模型Modelj中进行处理,得到更新后的图像识别结果/>其中,/>表示训练后的第j个图像识别模型Modelj在第t个图像样本的预测类别标签,根据更新后的图像识别结果/>与所述真实标签信息/>间的损失函数值Loss'j,计算第G代种群PG中的第j个个体/>的两个优化目标函数值;
步骤4.5、将j+1赋值给j,若j>N,则表示第G代种群PG中的所有个体的两个优化目标函数值优化完成,并执行步骤4.6,否则,返回步骤4.1顺序执行;
步骤4.6、在二维坐标系中对第G代种群PG中每个个体优化后的两个优化目标函数值进行拟合,得到拟合曲线,选择拟合曲线的拐点处所对应个体的决策向量,并代入图像识别网络Model中,从而得到最优图像分类模型Modelfinal用于对图像进行识别分类。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
Claims (3)
1.一种基于深度强化学习与进化算法的图像识别方法,其特征是按如下步骤进行:
步骤一、收集图像数据并进行标准化处理;
获取T个图像样本及其类别标签,并根据每个图像样本的类别标签,提取每个图像样本对应的属性特征,从而得到图像样本的属性特征集其中,xt表示第t个图像样本的属性特征,yt表示第t个图像样本的真实类别标签,t=1,2,…,T;T表示图像样本的数量;
步骤二、定义优化目标及优化目标函数:
步骤2.1、构建图像识别网络Model,包括:输入层、隐藏层和输出层;并利用式(1)构建图像识别网络Model的决策向量C:
C=(p1,p2,...,pi,...,pk,a1,a2,...,ai,...,ak,r,z) (1)
式(1)中,pi为图像识别网络Model中第i层隐藏层的神经元数量,ai为图像识别网络Model中第i层隐藏层选择的激活函数,z为图像识别网络Model的优化器,r为图像识别网络Model的学习率;1≤i≤k;k表示图像识别网络Model中隐藏层的总层数;
步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解;
步骤3.1、定义优化目标的决策向量上界为Upper;定义优化目标的决策向量下界为Lower;定义种群为P,定义种群P的大小为N;定义均匀分布的权重向量为w;定义每个权重向量的邻居索引为B;定义深度神经网络为Q,定义经验回放池为U,定义候选算子集为OP;定义当前代为gen,并初始化gen=1;定义总代数为G;
定义第gen代种群Pgen中的每个个体是由决策向量C和多目标优化函数F组成;
步骤3.4、利用第gen代种群Pgen中第n个个体的决策向量/>构建第gen代种群Pgen中第t个图像识别网络/>并将T个图像样本的属性特征/>输入/>中进行处理,并得到/>预测的类别标签集/>其中,/>表示/>在第t个图像样本的属性特征xt上的预测类别标签;
步骤3.7、交配池选择:
步骤3.8、计算第m个父代的权重向量/>并从/>的邻居索引/>中随机选取一个邻居作为第二个父代/>将/>的决策向量/>和权重向量/>组合为状态/>将状态/>输入到深度神经网络Q中,得出第gen代第m个候选算子集/>中每个算子的概率值,并通过轮盘赌从概率值中选择一个算子op;
步骤3.10、从邻居索引中选择一个邻居y,分别计算子代/>和邻居y的聚合函数值,如果子代/>的聚合函数值小于邻居y的聚合函数值,则用子代/>替换邻居y,否则,不替换;从而遍历完邻居索引/>中的所有邻居,并得到第gen+1代种群Pgen+1;
步骤3.11、定义子代的聚合函数值相对于父代/>的聚合函数值的提升幅度作为奖励/>同时将子代/>的决策向量和权重向量组合为一个状态state2,将/>,op,/>state2作为一组训练数据,并放入经验回放池U中;
步骤3.12、从经验回放池T中随机选取若干组训练数据并输入所述深度神经网络Q中进行训练,得到训练后的深度神经网络,并赋值给Q;
步骤3.13、将gen+1赋值给gen,判断gen<G是否成立,若成立,则返回步骤3.3顺序执行,否则,输出第G代种群PG;
步骤四、对图像样本进行分类;
步骤4.2、将属性特征输入第j个图像识别模型Modelj中进行处理,得到T个图像识别结果/>其中y″t表示所述图像识别模型Modelj在第t个图像的样本上的预测类别标签,根据识别结果/>和所述真实类别标签集/>构建第j个图像识别模型Modelj的损失函数Lossj;
步骤4.3、利用梯度下降法对第j个图像识别模型Modelj进行训练,并计算损失函数Lossj以更新模型参数,直到Lossj收敛为止,从而得到训练后的第j个图像识别模型Modelj;
步骤4.4、将属性特征输入训练后的第j个图像识别模型Modelj中进行处理,得到更新后的图像识别结果/>其中,/>表示训练后的第j个图像识别模型Modelj在第t个图像样本的预测类别标签,根据更新后的图像识别结果/>与所述真实标签信息间的损失函数值Loss'j,计算第G代种群PG中的第j个个体/>的两个优化目标函数值;
步骤4.5、将j+1赋值给j,若j>N,则表示第G代种群PG中的所有个体的两个优化目标函数值优化完成,并执行步骤4.6,否则,返回步骤4.1顺序执行;
步骤4.6、在二维坐标系中对第G代种群PG中每个个体优化后的两个优化目标函数值进行拟合,得到拟合曲线,选择拟合曲线的拐点处所对应个体的决策向量,并代入图像识别网络Model中,从而得到最优图像分类模型Modelfinal用于对图像进行识别分类。
2.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1所述图像识别方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1所述图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255099.9A CN116152572A (zh) | 2023-03-13 | 2023-03-13 | 基于深度强化学习与进化算法的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255099.9A CN116152572A (zh) | 2023-03-13 | 2023-03-13 | 基于深度强化学习与进化算法的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152572A true CN116152572A (zh) | 2023-05-23 |
Family
ID=86361934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310255099.9A Pending CN116152572A (zh) | 2023-03-13 | 2023-03-13 | 基于深度强化学习与进化算法的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152572A (zh) |
-
2023
- 2023-03-13 CN CN202310255099.9A patent/CN116152572A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hancer et al. | Pareto front feature selection based on artificial bee colony optimization | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN109754078A (zh) | 用于优化神经网络的方法 | |
Lin et al. | Parameter tuning, feature selection and weight assignment of features for case-based reasoning by artificial immune system | |
CN111582136B (zh) | 表情识别方法及装置、电子设备、存储介质 | |
Rashno et al. | Particle ranking: An efficient method for multi-objective particle swarm optimization feature selection | |
CN111160473A (zh) | 一种分类标签的特征挖掘方法及装置 | |
CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
CN113241122A (zh) | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 | |
Koeppe et al. | Explainable artificial intelligence for mechanics: physics-explaining neural networks for constitutive models | |
Elzeki et al. | A new hybrid genetic and information gain algorithm for imputing missing values in cancer genes datasets | |
CN117437494A (zh) | 一种图像分类方法、系统、电子设备及存储介质 | |
Huang et al. | Harnessing deep learning for population genetic inference | |
CN112488188B (zh) | 一种基于深度强化学习的特征选择方法 | |
Ma et al. | Temporal pyramid recurrent neural network | |
CN109934352B (zh) | 智能模型的自动进化方法 | |
CN116152572A (zh) | 基于深度强化学习与进化算法的图像识别方法 | |
CN113362920B (zh) | 基于临床数据的特征选择方法及装置 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
Hassan et al. | Optimising deep learning by hyper-heuristic approach for classifying good quality images | |
Rahman et al. | Implementation of artificial neural network on regression analysis | |
CN114863508A (zh) | 自适应注意力机制的表情识别模型生成方法、介质及设备 | |
JP7468088B2 (ja) | 画像処理システム、及び画像処理プログラム | |
CN113780334A (zh) | 基于两阶段混合特征选择的高维数据分类方法 | |
Galván et al. | Evolutionary Multi-objective Optimisation in Neurotrajectory Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |