基于多目标神经网络架构搜索的COVID-19图像分类
闫李
张志鹏
王孔源
陈培培
杜易
乔百豪
中原工学院电子信息学院,河南郑州 450007
摘要：COVID-19的流行在全球范围内造成巨大影响,对于这种突发的流行性疾病,如何有效和准确地对其诊断是后续医治的关键.近年来,基于卷积神经网络(Convolutional Neural Networks,CNN)的医学图像分类技术被广泛应用于COVID-19的诊断和识别.然而,针对特定问题设计出CNN网络架构,需要丰富的先验知识和高额的试错成本,影响CNN在实际问题中的适用性.因此,神经网络架构搜索(Neural Architecture Search,NAS)技术作为一种能够在特定数据集中自动搜索高性能网络架构的方法,已成为深度学习领域的一个热门研究领域.提出了一种基于多 目标进化算法的神经网络架构搜索框架(MOEvoNAS),以分类准确率、召回率以及网络复杂度为优化目标,设计出轻量化、高性能的CNN,用于COVID-19计算机断层扫描图像的分类和识别.实验结果表明,相比于其他对比网络,所提出的MOEvoNAS在小型COVID-CT数据集以及更复杂的大型COVIDx-CT和COVIDx-CT 2A数据集上均表现出较好的性能.
关键词：多目标进化神经网络架构搜索新冠肺炎CT图像分类
分类号：TP183(自动化基础理论)
论文发表日期：2023-08-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 30-38 )
英文信息