基于自适应平滑度策略的三维模型分类神经架构搜索

Abstract

针对人工设计三维模型分类网络架构过度依赖专家经验且泛化能力较差的问题，提出了一种自适应平滑度策略的神经架构搜索方法。首先，使用改进候选操作选择策略和连续松弛化方法将离散的搜索空间连续化，并利用权重共享机制提高搜索效率。其次，在损失函数中添加自适应平滑度策略的正则化，由温度参数控制损失函数的平滑程度。最后，使用指数归一化方法计算损失函数，以避免损失值溢出。在三维点云数据集和蛋白质间相互作用数据集上的实验结果表明，在相同的训练样本和迭代次数下，自适应平滑度策略的神经架构搜索方法的分类准确率更高，性能更稳定。

Keywords

• 正则化
• 神经架构搜索
• 搜索空间
• 点云
• 分类