DC-NAS：用于多模式分类的分治神经体系结构搜索

摘要

基于神经体系结构搜索的多模态分类（NAS-MMC）方法可以自动地针对不同的多模态数据集分别获得最优分类器。然而，由于需要训练和评估巨大的模型，大多数现有的NAS-MMC方法都非常耗时。本文提出了一种高效的基于进化的NAS-MMC方法，称为分治神经架构搜索（DC-NAS）。具体来说，首先将进化种群划分为k+1个子种群，然后将其中的k个子种群分别在k个小规模数据集上进化，这些小规模数据是通过使用k倍分层抽样技术对整个数据集进行拆分而获得的；剩下的一个在整个数据集上发展。为了解决由部分数据的训练策略引起的次优融合模型问题，使用部分数据和全部数据训练的两类子种群通过两个特殊的知识库交换所学习的知识。利用上述两种技术，DC-NAS实现了训练时间的减少和分类性能的提高。实验结果表明，在包括多标签电影类型分类、，使用RGB和身体关节进行动作识别，以及动态手势识别。