畳み込みニューラルネットワークの構造最適化手法の調査と遺伝的プログラミングによるアプローチ

カテゴリ: 部門大会

論文No: TC2-3

グループ名: 【C】平成29年電気学会電子・情報・システム部門大会講演論文集

発行日: 2017/09/06

タイトル(英語): A Survey of Designing Convolutional Neural Network Architectures and An Approach Using Genetic Programming

著者名: 菅沼 雅徳(横浜国立大学),白川 真一(横浜国立大学),長尾 智晴(横浜国立大学)

著者名(英語): Masanori Suganuma|Shinichi Shirakawa|Tomoharu Nagao

キーワード: 畳み込みニューラルネットワーク|深層学習|遺伝的プログラミング|ニューラルネットワークの構造設計|convolutional neural network|deep learning|genetic programming|designing neural network architectures

要約(日本語): 深層学習の一手法である畳み込みニューラルネットワーク (CNN)は，画像認識分野における多くのタスクで優れた性能を示しており，注目を集めている．しかし，CNNを設計するには構造に関する多くのパラメータを人手で設定しなければならないため，膨大な労力と専門的知識が必要となっている．そのため，近年では進化計算法や強化学習を用いてCNNの構造を最適化する研究が提案されており，その有効性が示されている．本稿では，これらCNNの構造最適化に関する研究事例と我々が提案するCartesian Genetic Programming (CGP)によるCNNの構造最適化手法について紹介し，議論する．

PDFファイルサイズ: 678 Kバイト