摘要
神经架构搜索（Neural Architecture Search, NAS）因其卓越的分类性能而受到广泛关注。差分架构搜索（DARTS）是一种计算开销较低的方法，但为节省计算资源，DARTS引入了多项近似处理，这些近似导致其性能下降。为此，我们提出一种基于固定操作的DARTS微调方法，这些固定操作不受上述近似的影响。所提方法在参数量与分类准确率之间实现了良好的权衡。相较于当前最优方法，该方法在Fashion-MNIST、CompCars和MIO-TCD数据集上的Top-1准确率分别提升了0.56%、0.50%和0.39%。同时，该方法在性能上优于原始DARTS，在CIFAR-10、CIFAR-100、Fashion-MNIST、CompCars和MIO-TCD数据集上，准确率分别提升了0.28%、1.64%、0.34%、4.5%和3.27%。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| fine-grained-image-classification-on-compcars | Fine-Tuning DARTS | Accuracy: 95.9% |