جستجوی معماری عصبی فشرده برای طبقه‌بندی تصاویر با استفاده از الگوریتم جستجوی گرانشی

در این مقاله، یک روش جستجوی معماری عصبی فشرده برای طبقه‌بندی تصاویر با استفاده از الگوریتم جستجوی گرانشی (gsa) ارائه‌شده است. یادگیری عمیق با بهره‌گیری از مدل‌های محاسباتی چندلایه، امکان استخراج خودکار ویژگی‌ها را از داده‌های خام در سطوح انتزاعی مختلف فراهم می‌کند که نقش کلیدی در مسائل پیچیده‌ای مانند طبقه‌بندی تصاویر دارد. روش جستجوی معماری عصبی (nas) که به‌طور خودکار به کشف معماری‌های جدید شبکه‌های عصبی کانولوشنی (cnn) می‌پردازد، با چالش‌هایی نظیر پیچیدگی محاسباتی و هزینه‌های بالا مواجه است. برای مقابله با این چالش‌ها، رویکردی بر پایه الگوریتم جستجوی گرانشی (gsa) توسعه داده‌شده است که بهینه‌سازی دوسطحی با طول متغیر را برای طراحی معماری‌های میکرو و ماکرو شبکه‌های عصبی کانولوشنی (cnn) به کار می‌گیرد. این رویکرد با استفاده از فضای جستجوی فشرده و گلوگاه‌های کانولوشنی اصلاح‌شده، عملکرد بهتری نسبت به روش‌های پیشرفته نشان می‌دهد. نتایج تجربی بر روی مجموعه داده‌های cifar-10، cifar-100 و imagenet نشان می‌دهد که روش پیشنهادی با دقت طبقه‌بندی 98.48% و هزینه جستجوی 1.05 (روز (gpu از الگوریتم‌های موجود ازنظر دقت، هزینه جستجو و پیچیدگی معماری برتری دارد.

compact neural architecture search for image classification using gravitational search algorithm

this paper presents a compact neural architecture search method for image classification using the gravitational search algorithm (gsa). deep learning, through multi-layer computational models, enables automatic feature extraction from raw data at various levels of abstraction, playing a key role in complex tasks such as image classification. neural architecture search (nas), which automatically discovers new architectures for convolutional neural networks (cnns), faces challenges such as high computational complexity and costs. to address these issues, a gsa-based approach has been developed, employing a bi-level variable-length optimization technique to design both micro and macro architectures of cnns. this approach, leveraging a compact search space and modified convolutional bottlenecks, demonstrates superior performance compared to state-of-the-art methods. experimental results on cifar-10, cifar-100, and imagenet datasets reveal that the proposed method achieves a classification accuracy of 98.48% with a search cost of 1.05 gpu days, outperforming existing algorithms in terms of accuracy, search efficiency, and architectural complexity.