用于三维点云分析的进化神经架构搜索
计算机视觉与模式识别
2024-08-13 v1 人工智能
机器学习
神经与进化计算
摘要
神经架构搜索（NAS）通过使用优化算法在架构空间中导航来自动化神经网络设计，从而减轻手动架构设计的负担。尽管NAS已取得成功，但由于数据位于非欧几里得空间（不同于图像），将其应用于分析非结构化三维点云等新兴领域仍探索不足。本文提出了基于成功历史的自适应差分进化联合点交互维度搜索（SHSADE-PIDS），一种进化NAS框架，将离散的深度神经网络架构编码到连续空间中，并在连续空间中进行搜索以获得高效的点云神经网络架构。在具有挑战性的三维分割和分类基准上的综合实验证明了SHSADE-PIDS的能力。它发现了具有更高准确率的高效架构，显著推进了先前的NAS技术。在SemanticKITTI分割任务上，SHSADE-PIDS仅使用0.55M参数和4.5GMACs即达到64.51%平均交并比（IoU），相比其他顶级方法将开销降低了超过22-26倍。在ModelNet40分类任务上，仅使用1.31M参数即达到93.4%准确率，超越更大模型。SHSADE-PIDS为将进化算法与神经架构优化相结合提供了有价值的见解，特别是在点云学习等新兴前沿领域。
引用
@article{arxiv.2408.05556,
title = {Evolutionary Neural Architecture Search for 3D Point Cloud Analysis},
author = {Yisheng Yang and Guodong Du and Chean Khim Toa and Ho-Kin Tang and Sim Kuan Goh},
journal= {arXiv preprint arXiv:2408.05556},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication