基于智能计算的深度学习目标检测框架超参数优化研究.pdfVIP

信息记录材料２０２４年１２月第２５卷第１２期

基于智能计算的深度学习目标检测框架

超参数优化研究

蔡旭辉，董晓荔，郑卿

（中国移动通信集团北京１０００３２）

【摘要】针对目标检测模型中超参数优化问题，以ＲｅｔｉｎａＮｅｔ为例，提出了使用遗传算法来优化ＦｏｃａｌＬｏｓｓ的焦点参数和平衡参

数，通过实验，焦点参数和平衡参数的最优值分别被确定为１７和０６。优化后的模型在实验中表现出显著的性能提升，平均精度从

３４０％提高至３７３％。实验结果不仅凸显了遗传算法在超参数优化方面的高效性，也证明了智能计算方法在提高深度学习模型性能

上的重要潜力。

【关键词】智能计算；深度学习；超参数优化

－－－

【中图分类号】ＴＰ１８【文献标识码】Ａ【文章编号】１００９５６２４（２０２４）１２００４３０３

０引言来解决复杂优化问题的方法。这些算法通常包括进化类

在当今的人工智能领域，深度学习技术已成为推动视优化算法、群智能优化算法和其他类优化算法。每一类都

［４］

觉识别、语音处理和自然语言理解等多个领域快速发展的有其独特的理论基础和应用场景。

［１］进化类优化算法是受生物进化原理启发的算法，通过

核心技术。特别是在目标检测这一子领域，深度学习已

经显著改变了人们识别和处理视觉信息的方式。目标检模拟自然选择、遗传、变异和重组的过程来解决优化问题。

测技术广泛应用于自动驾驶、视频监控、工业自动化以及进化类优化算法的典型代表包括遗传算法、进化策略和遗

日益普及的智能手机应用中，成为现代技术生态系统的一传编程。进化类优化算法通常以一个种群的形式开始，种

个重要组成部分。群中的每个个体代表一个潜在的解决方案。通过迭代的

然而，深度学习模型的性能很大程度上依赖于超参数方式，不断选择表现最好的个体进行交配和变异，以产生

的设定。超参数，如学习率、批量大小，以及网络架构中的新一代的解决方案，从而逐渐逼近最优解。进化算法特别

层数和单元数等，对模型的训练速度、收敛性以及最终的适用于那些问题的解空间大且复杂，标准的数学优化方法

泛化能力都有显著影响。在实践中，超参数的选择往往依难以适用的情况。

赖于烦琐的手动调整，这不仅效率低下，而且极易受到操群智能优化算法是由模拟动物社会行为系统中的集

作者主观经验的限制，导致模型性能未能达到理想体智能行为得到启发，包括蚁群优化、粒子群优化和人工

［２］蜂群算法等。群智能优化算法的基本思想是通过模拟例

状态。

为了克服以上挑战，近年来，基于智能计算的超参数如鸟群觅食、蚂蚁寻找食物路径等自然现象，个体通过简

优化技术逐渐成为研究热点。通过集成各种智能算法，如单的规则在群体中交互，产生复杂的全局行为，从而找到

遗传算法、粒子群优化以及贝叶斯优化等，研究人员能够问题的优化解。群智能算法通常不需要过多的背景信息，

自动化地调整和优化参数，从而提高模型的性能和适应且具有良好的并行性和鲁棒性，适合解决动态变化的优化

性。调整和优化参数不仅能够减少人力资源的投入，还能问题。

在一定程度上提供比传统方法更优的解决方案。