本研究提出了一种效率高的方法，通过针对自动定位简单无锚对象检测器的 FPN 和预测头部进行搜索，使用定制化的强化学习范式，能够在 4 天内使用 8 个 V100 GPU 找到表现最佳的检测架构，并在 COCO 数据集上超过了 Faster R-CNN，Retina-Net 和 FCOS 等现有模型，AP 提升了 1.0％至 5.4％。

Oct, 2021

本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

Mar, 2019

本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式，通过结合 RetinaNet 框架中的各种骨干模型，相比当前最先进的目标检测模型，在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值，并以更少的计算时间实现了 48.3 的检测精度，超过了 Mask R-CNN [10] 的检测精度。

Apr, 2019

本篇论文提出了一种名为 SM-NAS 的两阶段粗到细搜索策略，用于搜索既具有高效的模块组合也具有更好的模块级架构的 GPU 友好设计，优于现有的目标检测系统，为多种检测数据集提供更快的推理时间和更高的准确性。

Nov, 2019

本文提出了一种名为 OPANAS 的神经架构搜索算法，应用于目标检测任务中，通过引入六个异构信息路径，采用 FPN 候选网络的稠密连接有向无环图表示法进行搜索，并通过高效率的一次性搜索方法找到最优路径，并在实验中证明了该算法具有超越 NAS-FPN 和 Auto-FPN 方法的高效和最先进的检测精度。

Mar, 2021

本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架，通过连接细胞并使用可学习的权重来引入密集连接的搜索空间，并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。

Mar, 2020

FBNetV5 是一种神经架构搜索 (NAS) 框架，旨在为多种视觉任务搜索神经结构，具有更少的计算成本和人力成本。该框架具有包容性和可转移性的简单搜索空间，可独立于目标任务的训练管道进行多任务搜索，并通过单次搜索生成的模型，在图像分类、目标检测和语义分割等三个任务中均超过之前的最新水平。

Nov, 2021

FOX-NAS 提出了一种基于模拟退火和多元回归的快速可解释性的预测方法，能较高效地量化并在边缘部署，实验结果显示 FOX-NAS 模型的性能优于其他流行的神经网络架构，获得了 2020 年低功耗计算机视觉挑战赛 (DSP 分类) 第三名。

Aug, 2021

FLASH 是一种快速的神经架构搜索方法，它在真实硬件平台上协同优化 DNN 的准确性和性能，并且该算法比现有最先进的方法具有超过四个数量级的加速，在嵌入式设备上，搜索时间不到 3 秒。

Aug, 2021

提出了一种自适应于分布熵的采样方法，从而实现快速的多元空间神经体系结构搜索，成为 FP-NAS。通过 FP-NAS，可以使搜索空间变得更大、更深、更准确，速度比其他方法快 2.1 倍 - 3.5 倍，并且可以直接搜索高达 1.0G FLOPS 的大模型，在数字图像分类方面表现出色。

Nov, 2020