【CVPR 2020】神经网络架构搜索（NAS）论文和代码汇总

【导读】今天给大家整理了CVPR2020录用的几篇神经网络架构搜索方面的论文，神经网络架构搜索又称为Neural Architecture Search，简称（NAS）。神经网络架构搜索在这两年比较热门，学术界和国内外知名企业都在做这方面的研究。之后，本公众号后续将出一个NAS方面的专辑，主要包括NAS的发展历程、论文解读和应用场景。希望大家多多关注

！

论文汇总

1.Blockwisely Supervised Neural Architecture Search with Knowledge Distillation（该论文在ImageNet数据集进行训练得到了78.4% top-1 accuracy ，比EfficientNet-B0高了2.1%个点）

• 作者团队：暗物智能、Monash 大学、中山大学
• 论文链接：https://arxiv.org/abs/1911.13053

2. Semi-Supervised Neural Architecture Search

• 作者团队：MSRA、中科大
• 论文链接：https://arxiv.org/abs/2002.10389
• 代码地址：https://github.com/renqianluo/SemiNAS

3. CARS: Continuous Evolution for Efficient Neural Architecture Search

• 作者团队：北大、华为诺亚、鹏城实验室、悉尼大学
• 论文链接：https://arxiv.org/abs/1909.04977
• 代码（即将开源）：https://github.com/huawei-noah/CARS

4. Densely Connected Search Space for More Flexible Neural Architecture Search

• 论文链接：https://arxiv.org/abs/1906.09607
• 代码地址：https://github.com/JaminFong/DenseNAS

5. AdversarialNAS: Adversarial Neural Architecture Search for GANs

• 论文链接：https://arxiv.org/pdf/1912.02037.pdf
• 代码地址：https://github.com/chengaopro/AdversarialNAS

6. Hit-Detector: Hierarchical Trinity Architecture Search for Object Detection

• 作者团队：北大、华为诺亚、悉尼大学
• 论文链接：https://arxiv.org/pdf/2003.11818.pdf
• 代码地址：https://github.com/ggjy/HitDet.pytorch

7. AOWS: Adaptive and optimal network width search with latency constraints

• 论文链接：https://arxiv.org/abs/2005.10481
• 代码地址：https://github.com/bermanmaxim/AOWS

8. MTL-NAS: Task-Agnostic Neural Architecture Search towards General-Purpose Multi-Task Learning

• 论文：https://arxiv.org/abs/2003.14058
• 代码：https://github.com/bhpfelix/MTLNAS

9. Neural Architecture Search for Lightweight Non-Local Networks

• 论文：https://arxiv.org/abs/2004.01961
• 代码：https://github.com/LiYingwei/AutoNL

10. SGAS: Sequential Greedy Architecture Search

• 作者团队：KAUST, Intel
• 论文链接：https://arxiv.org/pdf/1912.00195.pdf
• 代码地址：https://www.deepgcns.org/auto/sgas

11. GreedyNAS: Towards Fast One-Shot NAS with Greedy Supernet

• 作者团队：商汤、清华、Dian、华科
• 论文链接：https://arxiv.org/abs/2003.11236

12. FBNetV2: Differentiable Neural Architecture Search for Spatial and Channel Dimensions（UC Berkley, Facebook）

• 论文链接：https://arxiv.org/abs/2004.05565
• 代码地址：https://github.com/facebookresearch/mobile-vision

13. MiLeNAS: Efficient Neural Architecture Search via Mixed-Level Reformulation

• 作者团队：南加州、腾讯、港中文、港科大
• 论文链接：https://arxiv.org/abs/2003.12238
• 代码地址：https://github.com/chaoyanghe/MiLeNAS

14. Designing Network Design Spaces

• 作者团队：Facebook FAIR（何凯明团队）
• 论文链接：https://arxiv.org/abs/2003.13678

15. Search to Distill: Pearls are Everywhere but not the Eyes

• 作者团队：Google，港中文
• 论文链接：https://arxiv.org/abs/1911.09074

16. EcoNAS: Finding Proxies for Economical Neural Architecture Search

• 作者团队：悉尼大学，南洋理工，商汤
• 论文链接：https://arxiv.org/abs/2001.01233

17.DSNAS: Direct Neural Architecture Search without Parameter Retraining

• 作者团队：港中文、UCLA、剑桥、商汤
• 论文链接：https://arxiv.org/abs/2002.09128

18.MobileDets: Searching for Object Detection Architectures for Mobile Accelerators

• 论文作者：谷歌、威斯康星大学麦迪逊分校
• 论文链接：https://arxiv.org/abs/2004.14525

19. Rethinking Performance Estimation in Neural Architecture Search

• 论文：https://arxiv.org/abs/2005.09917
• 代码：https://github.com/zhengxiawu/rethinking_performance_estimation_in_NAS
• 解读1：https://www.zhihu.com/question/372070853/answer/1035234510
• 解读2：https://zhuanlan.zhihu.com/p/111167409

20. When NAS Meets Robustness: InSearchof RobustArchitecturesagainst Adversarial Attacks

• 作者团队：港中文、 MIT
• 论文链接：https://arxiv.org/abs/1911.10695
• 代码地址：https://github.com/gmh14/RobNets