- 博客(14)
- 收藏
- 关注
RSS订阅原创 论文阅读 | PNAS-MOT: Multi-Modal Object Tracking With Pareto Neural Architecture Search
本文提出PNAS-MOT（基于Pareto神经架构搜索的多模态目标跟踪方法），针对自动驾驶中多目标跟踪（MOT）存在的单传感器不可靠与高 latency（延迟）问题，采用跟踪-检测（tracking-by-detection）范式，融合图像与LiDAR点云双模态数据，通过帕累托优化的约束神经架构搜索（NAS），在保证较高精度（KITTI基准测试中MOTA达89.59%，接近SOTA水平）的同时，实现低延迟（边缘设备如Jetson Nano上 latency低于80ms，高性能GPU上最低至8ms。
2025-10-16 18:51:29
921
1
原创 论文阅读 | AAAI2024|DC-NAS: Divide-and-Conquer Neural Architecture Search for Multi-Modal Classification
为解决现有多模态分类神经架构搜索（NAS-MMC）方法训练耗时久、计算成本高的问题，研究团队提出——一种基于进化算法的高效NAS-MMC方法；该方法通过k折分层抽样将完整数据集拆分为k个小规模子集与1个完整集，对应将种群划分为k+1个子种群（k个子种群在小规模子集上进化，1个子种群在完整集上进化），并借助两个专用知识库实现子种群间的知识交换，以解决部分数据训练导致的次优融合模型问题；在MM-IMDB（多标签电影类型分类）、NTU RGB-D（动作识别）、EgoGesture（动态手势识别）
2025-09-29 22:57:24
463
原创 PC-DARTS对DARTS改进部分代码解读
与 DARTS 相同：一个 cell 有若干中间节点（内部节点），每个内部节点连接来自前面所有节点的边（edges），每条边对应一个 MixedOp（含多个候选算子）。：每次前向后将不同来源（part/bypass）的通道充分打散，下一轮抽到 “part” 的通道会换一批，避免固定“好通道/坏通道”。直觉：β 让“哪条边更重要”也能被学习约束，避免 “在某条边上选 skip 就能几乎零代价地把特征穿过去” 的偏置。：在把各条边的 MixedOp 输出相加之前，再做一次 “边的重要性 softmax”。
2025-09-09 17:28:49
714
原创 fusion nas相关论文阅读
该研究提出了一种多模态融合神经架构搜索方法（MUFASA），能够在电子健康记录（EHR）建模中同时自动搜索模态专属子网络和多模态融合策略。电子健康记录通常包含**结构化（代码）和非结构化（自由文本）**数据的混合，具有稀疏和不规则的纵向特征。例如，电子健康记录（EHR）通常包含：（1）情境特征，如患者的年龄和性别；（2）纵向分类特征，如手术代码、药物代码和病症代码；（3）纵向连续特征，如血压、体温和心率；（4）纵向自由文本临床笔记，这些笔记通常篇幅较长且包含大量医学术语。
2025-09-09 17:28:05
768
原创 NAS之锦标赛进化搜索策略
在深入步骤之前，我们首先要理解几个进化算法中的基本术语，以及它们在NAS场景下的具体含义：为什么用锦标赛选择？因为它在选择压力（Selection Pressure）和种群多样性（Population Diversity）之间取得了很好的平衡。锦标赛选择的过程就像举办一场小型的“比武大会”：通过调整 的大小，我们可以很方便地控制选择压力：定义搜索空间 (Search Space):创建初始种群:这是整个流程中最耗时的一步。这个循环会一直进行，直到达到预设的代数（例如2000代）或满足某个终止条件。假设我们
2025-09-09 17:27:20
778
原创 论文阅读 | 2024 |LLMatic: Neural Architecture Search via Large Language Models and Quality Diversity Opt
大型语言模型（LLMs）已成为强大的工具，能够完成广泛的任务。它们的能力涵盖多个领域，其中一个产生重大影响的领域是代码生成。在此，该文章提议利用 LLMs 的编码能力，对定义神经网络的代码进行有意义的变体生成。同时，质量多样性（QD）算法以发现多样化且稳健的解决方案而闻名。通过将 LLMs 的代码生成能力与 QD 解决方案的多样性和稳健性相结合，该文章提出了一种神经架构搜索（NAS）算法 ——LLMatic。
2025-09-09 17:24:17
907
原创 论文阅读 | EG-NAS: Neural Architecture Search with Fast Evolutionary Exploration（AAAI-2024)
变量/参数符号类型详细含义迭代次数ttt整数当前迭代轮次（起始值为0，t1t+1t1表示下一轮迭代）当前协方差矩阵CtC_tCt矩阵第ttt轮迭代时的协方差矩阵，维度与架构参数α\alphaα一致（通常为高维方阵）下一轮协方差矩阵Ct1C_{t+1}Ct1矩阵公式计算的输出，用于第t1t+1t1轮迭代的高斯采样进化路径权重系数c1c_1c1超参数（标量）控制“进化路径”对CtC_tCt。
2025-09-09 17:23:43
838
原创 DARTS改进方法论文概述
在原始的DARTS中，当搜索阶段的结构过于复杂时，可微分方法可能会偏好跳跃连接，因为这能加速前向 / 反向传播，这种偏好会导致搜索到的架构中出现过多的跳跃连接，这不仅增加了结构的冗余度，还使网络难以优化，进而导致 DARTS 方法的性能不尽如人意。被送入通道融合补偿模块（CFCM），在该模块中，通过充分评估通道重要性，能够获得平衡的语义信息。在所提出的𝓁-DARTS中，引入了部分通道连接的概念，通过对超级网络的一个子集进行随机采样，来解决网络架构探索中的冗余问题。
2025-07-16 19:27:02
1085
原创 论文阅读 | ICLR 2019 |DARTS（Differentiable Architecture Search）
题目：DARTS（Differentiable Architecture Search）论文：[https://doi.org/10.1016/j.patcog.2023.109913](https://doi.org/10.1016/j.patcog.2023.109913)代码：[https://github.com/chanchanchan97/ICAFusion](https://github.com/chanchanchan97/ICAFusion)年份：2019。
2025-07-16 17:32:35
714
原创 NAS的一些疑惑记录
合理性：NAS将搜索范围限定于架构，是为了在计算可行性和设计目标之间取得平衡，符合领域内的标准范式。参数的作用：参数通过训练优化，是架构性能的“实现者”，而NAS通过评估训练后的性能来反推架构的优劣。未来扩展：若需同时优化架构和参数，可能需要更复杂的框架（如联合搜索架构超参数和训练策略），但这会显著增加计算成本，目前并非NAS的主流方向。
2025-07-01 00:04:38
1019
原创 NAS——搜索策略
在神经架构搜索（Neural Architecture Search, NAS）中，基于代理模型（Surrogate Model）的搜索策略是一类以构建性能预测模型为核心的方法。其核心思想是：由于直接训练和评估一个神经网络非常耗时（尤其是在大数据集上），我们可以用一个“代理模型”去预测一个候选架构的性能（如准确率），然后利用这个模型引导搜索，从而降低计算代价并提高搜索效率。代理模型fA→RfA→R其中，AA是架构空间，R\mathbb{R}R。
2025-06-29 18:53:26
915
原创 【NAS】搜索空间、搜索策略入门
神经网络架构搜索（Neural Atchitecture Search，NAS)是一种通过计算机程序和算法自动化设计人工神经网络（尤其是深度神经网络）结构的方法，其核心目标是替代传统依赖专家经验的手动设计模式，实现神经网络结构的自动化优化。其核心主要有三个部分：搜索空间、搜索策略、性能评估。
2025-06-29 14:43:58
809
原创 论文阅读之——Semantic Scholar
Semantic Scholar 是由美国 Allen Institute for AI（AI2） 开发的一个学术搜索引擎，旨在帮助研究人员快速获取高质量的学术信息。它结合了人工智能和自然语言处理技术，让用户可以更智能地浏览文献、发现引用、理解研究主题等。官方网站：https://www.semanticscholar.org。
2025-06-21 13:55:42
1347
5
原创 无人机小麦热红外、多光谱图像数据介绍
本文主要介绍由两款无人机：大疆M210、大疆M350，分别搭载XT2热红外相机、AMS-14多光谱相机采集的小麦图像。所有图像存储于西北农林科技大学云盘中，仅供内部使用。目录中文件夹前缀为拍摄日期，例如：5_9热红外即为5月9日采集的热红外图像。多光谱图像目录中：数字文件夹为每次拍摄无人机所处的位置信息，包括经纬度和高度。images目录中为采集的jpg图像。热红外目录中为采集到的可见光RGB图像和热红外图像，均为jpg格式。ms文件夹中为经过初步处理的多光谱图像：将位置信息融入到图像中。
2025-05-29 03:19:18
1232
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人