ترجمه فارسی مقاله جستجوی معماری عصبی تکاملی برای تحلیل ابر نقاط سه‌بعدی

چکیده

Neural architecture search (NAS) automates neural network design by using optimization algorithms to navigate architecture spaces, reducing the burden of manual architecture design. While NAS has achieved success, applying it to emerging domains, such as analyzing unstructured 3D point clouds, remains underexplored due to the data lying in non-Euclidean spaces, unlike images. This paper presents Success-History-based Self-adaptive Differential Evolution with a Joint Point Interaction Dimension Search (SHSADE-PIDS), an evolutionary NAS framework that encodes discrete deep neural network architectures to continuous spaces and performs searches in the continuous spaces for efficient point cloud neural architectures. Comprehensive experiments on challenging 3D segmentation and classification benchmarks demonstrate SHSADE-PIDS’s capabilities. It discovered highly efficient architectures with higher accuracy, significantly advancing prior NAS techniques. For segmentation on SemanticKITTI, SHSADE-PIDS attained 64.51% mean IoU using only 0.55M parameters and 4.5GMACs, reducing overhead by over 22-26X versus other top methods. For ModelNet40 classification, it achieved 93.4% accuracy with just 1.31M parameters, surpassing larger models. SHSADE-PIDS provided valuable insights into bridging evolutionary algorithms with neural architecture optimization, particularly for emerging frontiers like point cloud learning.

چکیده به فارسی (ترجمه ماشینی)

جستجوی معماری عصبی (NAS) با استفاده از الگوریتم های بهینه سازی برای حرکت در فضاهای معماری ، کاهش بار طراحی معماری دستی ، طراحی شبکه عصبی را خودکار می کند.در حالی که NAS به موفقیت دست یافته است ، استفاده از آن در حوزه های نوظهور ، مانند تجزیه و تحلیل ابرهای 3D نقطه ای بدون ساختار ، به دلیل داده های قرار گرفته در فضاهای غیر الکلیدسی ، بر خلاف تصاویر ، مورد استفاده قرار نمی گیرد.در این مقاله تکامل دیفرانسیل خود سازگار با موفقیت در تاریخ با یک جستجوی بعد تعامل نقطه مشترک (SHSADE-PIDS) ، یک چارچوب تکاملی NAS که معماری های شبکه عصبی عمیق گسسته را به فضاهای مداوم رمزگذاری می کند و در فضاهای مداوم را برای نقطه کارآمد انجام می دهد ، ارائه می دهد.معماری های عصبی ابر.آزمایش های جامع در مورد به چالش کشیدن تقسیم بندی سه بعدی و معیارهای طبقه بندی ، توانایی های SHSADE-PIDS را نشان می دهد.این معماری های بسیار کارآمد با دقت بالاتر را کشف کرد ، و به طور قابل توجهی تکنیک های قبلی NAS را پیش می برد.برای تقسیم بندی در Semantickitti ، شستبندی های شسادی 64.51 ٪ میانگین IOU را با استفاده از پارامترهای 0.55M و 4.5 گرم به دست آوردند و باعث کاهش بالای 22-26x در مقابل سایر روشهای برتر می شوند.برای طبقه بندی ModelNet40 ، با دقت فقط با پارامترهای 1.31M به دقت 93.4 ٪ دست یافت و از مدل های بزرگتر پیشی گرفت.PID های SHSADE بینش ارزشمندی در مورد پل زدن الگوریتم های تکاملی با بهینه سازی معماری عصبی ، به ویژه برای مرزهای نوظهور مانند یادگیری ابر نقطه ارائه می دهند.