面向语义分割机器视觉的AutoML方法

• 作者: 刘思洋 刘桂雄 廖普 黄坚
• 来源期刊: 激光杂志
• 学科: 工学
• 关键词: 机器视觉 语义分割 自动机器学习 超参数优化 迁移学习 神经架构搜索
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 综合评述
• 页码范围: 1-9
• 页数: 9页
• 分类号: TN249
• 语种: 中文
• DOI: 10.14016/j.cnki.jgzz.2019.06.001

摘要

自动机器学习(Automatic Machine Learning,AutoML)可实现语义分割,使机器学习大部分步骤自动化.针对面向超参数优化、迁移学习、神经架构搜索等方法的算法思想、优化对象、实现技术、技术指标、应用效果及场景,结合语义分割的机器学习超参数多、数据集规模较小、标注工作量大等问题,指出超参数优化、迁移学习、神经架构搜索分别有助于提升训练效率、降低样本标注工作量、自动构建专用卷积神经网络,若Au-toML与机器视觉相结合可赋予系统自学习、快速更换检测对象和解决特别复杂任务等特性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘桂雄	华南理工大学机械与汽车工程学院	300	2016	18.0	33.0
2	黄坚	华南理工大学机械与汽车工程学院	25	69	5.0	6.0
3	刘思洋	华南理工大学机械与汽车工程学院	3	2	1.0	1.0
4	廖普	华南理工大学机械与汽车工程学院	1	1	1.0	1.0