基于多目标优化（MOO）的NAS方法

《International Journal of Imaging Systems and Technology》：Multi-Objectives Optimization (MOO)-Based NAS Approach

本研究提出融合CNN、Transformer和图结构的混合神经网络架构优化方法，利用进化策略和NSGA-III算法平衡性能与计算复杂度，在CIFAR-10/100和LIDC-IDRI数据集上验证了F1分数、分类准确率及FLOPS等指标的提升效果。

　　

摘要

本研究致力于构建针对图像分类和医学图像分割优化的神经网络架构，特别关注使用LIDC-IDRI数据集分析肺结节。我们提出了一种混合的神经网络架构搜索（NAS）方法，该方法结合了卷积神经网络（CNN）、基于Transformer的模型以及自定义的图结构。我们的进化策略采用了交叉和变异等遗传操作来逐步改进这些架构，而NSGA-III算法帮助我们在多个相互冲突的目标之间找到平衡。我们的目标是提高性能指标，如F1分数和分类准确性，同时尽量降低计算复杂度，我们通过FLOPS、参数数量和推理时间来衡量计算复杂度。实验表明，该方法在CIFAR-10和CIFAR-100数据集上表现优异，在LIDC-IDRI分割任务上也取得了有希望的结果。这项工作旨在推动自动化模型设计的边界，为通用和医学成像领域带来更高效、更有效的深度学习架构。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在LIDC-IDRI获取，网址为：https://paperswithcode.com/dataset/lidc-idri。这些数据来源于以下公共领域的资源：https://www.cancerimagingarchive.net/wp-content/uploads/TCIA、https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=1966254。