提出了一种基于改进自适应矩估计(adaptive moment estimation,Adam)算法优化器的卷积神经网络(convolutional neural networks,CNN)电子显微镜(电镜)医学图像分类方法。该方法根据卷积神经网络数据迭代的特点,采用具有下降趋势的幂指...提出了一种基于改进自适应矩估计(adaptive moment estimation,Adam)算法优化器的卷积神经网络(convolutional neural networks,CNN)电子显微镜(电镜)医学图像分类方法。该方法根据卷积神经网络数据迭代的特点,采用具有下降趋势的幂指数学习率改进策略,通过添加修正因子,将上一阶段的梯度值与当前梯度值进行对比、调节,通过梯度值衰减来逐次更新学习率的大小,实现优化器学习率的自适应变化,改善CNN网络模型的收敛性能,实现医学电镜图像的分类。实验结果表明,相比经典的Adam优化器分类方法,改进方法能提高电镜医学图像分类算法的精度,最大分类精度可以到达92%,同时减小图像样本在分类时出现的迭代振荡、分类稳定性不足等现象。展开更多
文摘提出了一种基于改进自适应矩估计(adaptive moment estimation,Adam)算法优化器的卷积神经网络(convolutional neural networks,CNN)电子显微镜(电镜)医学图像分类方法。该方法根据卷积神经网络数据迭代的特点,采用具有下降趋势的幂指数学习率改进策略,通过添加修正因子,将上一阶段的梯度值与当前梯度值进行对比、调节,通过梯度值衰减来逐次更新学习率的大小,实现优化器学习率的自适应变化,改善CNN网络模型的收敛性能,实现医学电镜图像的分类。实验结果表明,相比经典的Adam优化器分类方法,改进方法能提高电镜医学图像分类算法的精度,最大分类精度可以到达92%,同时减小图像样本在分类时出现的迭代振荡、分类稳定性不足等现象。
