• Medientyp: E-Artikel
  • Titel: Ein evolutionärer Ansatz für aufgabenspezifische MobileNet-Topologien
  • Beteiligte: Mitschke, Norbert; Heizmann, Michael; Noffz, Klaus-Henning
  • Erschienen: Walter de Gruyter GmbH, 2019
  • Erschienen in: tm - Technisches Messen
  • Sprache: Englisch
  • DOI: 10.1515/teme-2019-0020
  • ISSN: 0171-8096; 2196-7113
  • Schlagwörter: Electrical and Electronic Engineering ; Instrumentation
  • Entstehung:
  • Anmerkungen:
  • Beschreibung: <jats:title>Zusammenfassung</jats:title> <jats:p>Infolge sinkender Hardwarepreise und der zunehmenden Automatisierung wird maschinelles Lernen für industrielle Anwendungen wie klassische Sichtprüfungsaufgaben immer interessanter. In diesem Artikel wird ein metaheuristischer Ansatz für die Suche nach einer allgemeinen MobileNet-Topologie nach Howard et al. [7] vorgestellt, der auf differentieller Evolution beruht. Dieser ist in der Lage, anhand eines gegebenen Datensatzes und ohne zusätzliches Vorwissen einen geeigneten Klassifikator zu entwerfen. Gleichzeitig wird durch die Wahl einer geeigneten Fitnessfunktion der Ressourcenbedarf der Inferenz begrenzt. Für typische industrielle Datensätze können neuronale Netze mit Genauigkeiten von über <jats:inline-formula id="j_teme-2019-0020_ineq_001_w2aab3b7b2b1b6b1aab1c17b1b3Aa"> <jats:alternatives> <jats:inline-graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="graphic/j_teme-2019-0020_ineq_001.png" /> <m:math xmlns:m="http://www.w3.org/1998/Math/MathML"> <m:mn>99</m:mn> <m:mspace /> <m:mi>%</m:mi> </m:math> <jats:tex-math>99\hspace{0.1667em}\% </jats:tex-math> </jats:alternatives> </jats:inline-formula> gefunden werden, während die Rechendauer dafür relativ kurz bleibt.</jats:p>