点NAS:一个新的神经架构搜索框架,用于点云分析

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 对于许多应用来说,3D点云处理至关重要.
• 为点云任务设计有效的神经网络是复杂且耗时的.
• 现有的方法需要对网络参数和超参数进行广泛的手动调整.

研究的目的:

• 开发一个自动化框架,用于发现最佳的神经网络架构,用于3D点云任务.
• 为了降低与网络设计相关的计算成本和手工工作.
• 创建适用于各种点云挑战的多功能架构搜索方法.

主要方法:

• 介绍了Point-NAS,一个一次性的神经架构搜索 (NAS) 框架.
• 设计了一个弹性特征提取 (EFE) 模块作为一个可扩展的构建块.
• 开发了一个包含多种网络结构的超级网络,并使用重量合三明治规则进行优化.
• 实施了统一的梯度调整算法,以增强融合和训练稳定性.

主要成果:

• 经过训练的超级网络有效地优化了许多子网络,以满足特定任务.
• 在ModelNet40 (94.2%准确率) 和ScanObjectNN (88.9%准确率) 等基准上取得了最先进的结果.
• 在语义细分 (S3DIS,68.6% mIoU) 和对象检测 (SUN RGB-D,63.6% mAP@0.25) 中表现出强的性能.

结论:

• Point-NAS成功地自动化了对3D点云网络的架构搜索.
• 拟议的框架为优化各种任务的网络性能提供了高效和有效的解决方案.
• 从超级网络中继承的权重使得高性能,特定任务的子网络能够在没有广泛的再培训的情况下实现.