Tiger数学之家的博客

本文整理了基于分类范畴的元学习论文综述。按arXiv上提交日期排序。按照如下进行分类：元学习综述(Survey)、小样本学习(Few-shot learning)、大规模数据集(Large scale dataset)、不平衡类(Imbalance class)、NLP、架构搜索(Architecture search)、依赖任务(Task-dependent)、异构任务(Heterogeneo...

论文名称：DetNAS: Backbone Search for Object Detection论文链接：https://arxiv.org/abs/1903.10979开源代码： https://github.com/megvii-model/DetNAS物体检测器通常使用图像分类网络的Backbone，由于和检测任务存在一定差异，这些Backbone往往不是最优的。本文中，旷视研究院...

前言张祥雨，现任旷视研究院主任研究员、基础模型组负责人，带领组里30多位年轻人为旷视寻找下一个兼具学术和产业价值的算法模型。2017年博士毕业于西安交通大学。期间参加西交大-微软亚洲研究院联合培养博士生项目，师从孙剑博士和何恺明博士。目前团队研究方向包括高性能卷积网络设计、AutoML与自动化神经网络架构搜索、深度模型的裁剪与加速等。已在CVPR/ICCV/ECCV/NIPS/TPAMI等顶级会...

背景介绍近年来，神经网络搜索(NAS)极大地推动了神经网络设计的发展。以前的大多数工作都是计算密集型的，可用NAS方法通过在一个连续空间中构建一个覆盖所有可能搜索架构的超网络来降低搜索成本。然而，很少有能够搜索网络宽度(滤波器/通道的数量)的方案，因为按照传统的可微NAS范式，很难将具有不同宽度的架构集成到一个超网络中。在本文中，介绍一种新的可微NAS方法，通过构建一个紧密连接的搜索空间来实现同...

如果我们设置的dilation=0的话，效果如图：蓝色为输入，绿色为输出，可见卷积核为3*3的卷积核如果我们设置的是dilation=1，那么效果如图：蓝色为输入，绿色为输出，卷积核仍为3*3，但是这里卷积核点与输入之间距离为1的值相乘来得到输出好处：这样单次计算时覆盖的面积（即感受域）由dilation=0时的33=9变为了dilation=1时的55=25在增加了感受域的同时却...

前言：Neural Architecture Search（NAS），即自动化神经网络搜索，虽然早被谷歌在2017 年提出，直到今年才大行其道，屡屡在顶会舞台亮相。本篇博客整理了246篇最新的NAS论文，欢迎收藏查看https://www.automl.org/automl/literature-on-neural-architecture-search/为了方便大家下载，我已经将这246...

Awesome-AutoML-Papers includes very up-to-date overviews of the bread-and-butter techniques we need in AutoML:Automated Data Clean (Auto Clean)Automated Feature Enginnering (Auto FE)Hyperparameter...

Neural Architecture SearchTable of ContentsArchitecture SearchReinforcement LearningEvolutionary AlgorithmOthersHyper-parameter SearchArchitecture Search MethodReinforcement LearningNeu...