Modele de concision | Multivate Consulting
 

Modele de concision

La Fig. 3 montre l`architecture de GPDA. Parce que la taille d`image d`entrée de notre GPDA est 32 * 32, nous avons appliqué le réseau de CIFAR-10 d`Alex avec le style de Caffe comme filet de base. Pour une représentation concise, nous avons nommé ce réseau “CIFAR-10”. Cependant, CIFAR-10 est une version démodée. Il nécessite plus de paramètres en raison des couches entièrement connectées conservées, ce qui augmentera la taille du modèle. Pour réduire le nombre de paramètres et maintenir la précision, nous avons introduit le module d`incendie de SqueezeNet, qui est expliqué clairement dans [25], pour remplacer les couches convolutionnelles dans CIFAR-10. Un module d`incendie est composé d`une couche de convolution pressée (qui a seulement des filtres 1×1), alimentant dans une couche d`expansion qui a un mélange des filtres de convolution 1×1 et 3×3. Les modules Fire contribuent aux modèles concis du réseau avec moins de paramètres mais une vitesse d`entraînement plus élevée.

En outre, nous avons remplacé la couche entièrement connectée dans CIFAR-10 par une couche convolutionnelle pour GPDA, ce qui fait de GPDA un réseau neuronal entièrement convolutionnel. Dans la figure 3, l`architecture de GPDA est composée de deux couches de convolution traditionnelles et de deux modules d`incendie. En outre, les couches de regroupement sont adoptées pour réduire le calcul. Parce que nous formons GPDA à partir de zéro, nous utilisons Xavier pour initialiser les paramètres du noyau convolutionnel. Pour éviter le problème de disparition de gradient, nous avons choisi ReLU comme fonction d`activation. Les maladies précancéreuses gastriques (DPP) peuvent se détériorer dans le cancer gastrique précoce si mal diagnostiquée, il est donc important d`aider les médecins à reconnaître la GPJ avec précision et rapidité. Dans cet article, nous réalisons la classification de la GDP à 3 classes, à savoir le polype, l`érosion et l`ulcère à l`aide de réseaux neuronaux convolutifs (CNN) avec un modèle concis appelé réseau de maladies précancéreuses gastriques (GPDA). Gpadnet introduit des modules de feu de SqueezeNet pour réduire la taille du modèle et les paramètres environ 10 fois tout en améliorant la vitesse pour une classification rapide.

Pour maintenir la précision de classification avec moins de paramètres, nous proposons une méthode innovante appelée apprentissage renforcé itératif (IRL). Après la formation de GPDA à partir de zéro, nous appliquons IRL pour affiner les paramètres dont les valeurs sont proches de 0, puis nous prenons le modèle modifié comme un modèle préformé pour la prochaine formation. Le résultat montre que IRL peut améliorer la précision d`environ 9% après 6 itérations. La précision de classement finale de notre GPDA était de 88,90%, ce qui est prometteur pour la reconnaissance clinique de la GDP.

Copyright Multivate (C) 2015.

Translate »