編號：NMJS08348
篇名：ED-NAS:基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的陶瓷晶粒SEM圖像分割方法
作者：蔡超麗 李純純 黃琳 楊鐵軍
關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索 編碼-解碼神經(jīng)網(wǎng)絡(luò)架構(gòu) 陶瓷晶粒 圖像分割 編碼Cell 解碼Cell
機構(gòu)： 桂林理工大學(xué)廣西嵌入式技術(shù)與智能系統(tǒng)重點實驗室 桂林理工大學(xué)材料科學(xué)與工程學(xué)院
摘要： 為了提高深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)設(shè)計的自動化程度并進一步提高陶瓷晶粒掃描電子顯微鏡(Scanning Electron Microscope,SEM)圖像分割的準(zhǔn)確性,提出了一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的陶瓷晶粒圖像分割方法 .該方法設(shè)計多分支結(jié)構(gòu)編碼空間和鏈?zhǔn)浇Y(jié)構(gòu)解碼空間,并構(gòu)造多分支結(jié)構(gòu)編碼Cell和鏈?zhǔn)浇Y(jié)構(gòu)解碼Cell;同時基于強化學(xué)習(xí)分別搜索最佳編碼Cell和解碼Cell;此外,基于編碼-解碼神經(jīng)網(wǎng)絡(luò)架構(gòu)堆疊最佳Cell構(gòu)建陶瓷晶粒圖像分割CNN,并采用池化索引在解碼階段恢復(fù)丟失的細節(jié)信息.實驗在包含了629張的陶瓷晶粒SEM圖像數(shù)據(jù)集上進行,搜索最佳Cell耗時約148 GPU-時.與U-Net,、SegNet等SOTA方法相比,該方法在陶瓷晶粒測試集上獲得了更高的分割準(zhǔn)確性(mIoU≈68.9%).
