awesome AutoML and Lightweight Models
1.0.0
1を含む高品質の（最新）Automlワークと軽量モデルのリスト。）ニューラルアーキテクチャ検索、 2。）軽量構造、 3。）モデル圧縮、量子化、加速、 4。）ハイパーパラメーター最適化、 5.）自動機能エンジニアリング。
このレポは、Automl Research（特に軽量モデル向け）の情報を提供することを目的としています。 Repoで見逃されているPR The Works（論文、リポジトリ）へようこそ。
勾配：
NASが堅牢性を満たすとき：敵対的な攻撃に対する堅牢なアーキテクチャを探して| [ CVPR 2020 ]
4 gpu時間で堅牢なニューラルアーキテクチャの検索| [ CVPR 2019 ]
ASAP：アーキテクチャ検索、アニール、プルーン| [2019/04]
シングルパスNAS：4時間以内にハードウェア効率の高いコンベネットの設計| [2019/04]
さまざまなシーンでの画像分類の自動畳み込みニューラルアーキテクチャの検索| [ IEEEアクセス2019 ]
SharpDarts：より速く、より正確な微分可能なアーキテクチャ検索| [2019/03]
パラメーター共有を介して暗黙的に再発CNNSを学習する| [ ICLR 2019 ]
確率的な神経アーキテクチャ検索| [2019/02]
Auto-Deeplab：階層的なニューラルアーキテクチャのセマンティック画像セグメンテーションの検索| [2019/01]
SNAS：確率的神経アーキテクチャ検索| [ ICLR 2019 ]
FBNET：微分可能なニューラルアーキテクチャ検索によるハードウェアアウェア効率的なコンベネット設計| [2018/12]
ニューラルアーキテクチャの最適化| [ NIPS 2018 ]
ダーツ：微分可能なアーキテクチャ検索| [2018/06]
強化学習：
コンパクトセマンティックセグメンテーションアーキテクチャのテンプレートベースの自動検索| [2019/04]
神経アーキテクチャの検索技術の理解| [2019/03]
ニューラルアーキテクチャ検索を使用した高速で正確で軽量の超解像度| [2019/01]
モバイルニューラルアーキテクチャ検索における多目的強化進化| [2019/01]
Proxylessnas：ターゲットタスクとハードウェアに関する直接ニューラルアーキテクチャ検索| [ ICLR 2019 ]
ニューラルオートルで学習を転送| [ NIPS 2018 ]
スケーラブルな画像認識のための転送可能なアーキテクチャの学習| [2018/07]
MNASNET：モバイルのプラットフォーム認識ニューラルアーキテクチャ検索| [2018/07]
実用的なブロックごとのニューラルネットワークアーキテクチャ生成| [ CVPR 2018 ]
パラメーター共有を介した効率的なニューラルアーキテクチャ検索| [ ICML 2018 ]
ネットワーク変換による効率的なアーキテクチャ検索| [ AAAI 2018 ]
進化的アルゴリズム：
均一なサンプリングを使用したシングルパスワンショットニューラルアーキテクチャ検索| [2019/04]
Detnas：オブジェクト検出に関するニューラルアーキテクチャ検索| [2019/03]
進化した変圧器| [2019/01]
ニューロエボリューションによるニューラルネットワークの設計| [ Nature Machine Intelligence 2019 ]
Eat-Nas：大規模なニューラルアーキテクチャ検索を加速するための弾性アーキテクチャ転送| [2019/01]
Lamarckian Evolutionを介した効率的な多目的ニューラルアーキテクチャ検索| [ ICLR 2019 ]
SMBO：
MFAS：マルチモーダル融合アーキテクチャ検索| [ CVPR 2019 ]
dpp-net：パレート最適な神経アーキテクチャのデバイス認識プログレッシブ検索| [ ECCV 2018 ]
プログレッシブニューラルアーキテクチャ検索| [ ECCV 2018 ]
ランダム検索：
画像認識のためにランダムに配線されたニューラルネットワークの探索| [2019/04]
高密度の画像予測のための効率的なマルチスケールアーキテクチャの検索| [ NIPS 2018 ]
ハイパーネットワーク：
ベイズの最適化：
部分的な順序剪定
知識の蒸留
画像分類：
EfficientNet：畳み込みニューラルネットワークのモデルスケーリングの再考| [ ICML 2019 ]
MobileNETV3の検索| [2019/05]
セマンティックセグメンテーション：
CGNET：セマンティックセグメンテーション用の軽量コンテキストガイド付きネットワーク| [2019/04]
ESPNETV2：軽量、電力効率、および汎用畳み込みニューラルネットワーク| [2018/11]
ESPNET：セマンティックセグメンテーションのための拡張畳み込みの効率的な空間ピラミッド| [ ECCV 2018 ]
ビセネット：リアルタイムセマンティックセグメンテーションのための両側セグメンテーションネットワーク| [ ECCV 2018 ]
ERFNET：リアルタイムセマンティックセグメンテーションのための効率的な残留因数分解コンブネット| [ T-ITS 2017 ]
オブジェクトの検出：
ThunderNet：リアルタイムの汎用オブジェクト検出に向けて| [2019/03]
オブジェクト検出のためのピラミッドネットワークのプーリング| [2018/09]
Tiny-DSOD：リソース制限のある使用のための軽量オブジェクト検出| [ BMVC 2018 ]
PELEE：モバイルデバイスのリアルタイムオブジェクト検出システム| [ Neurips 2018 ]
正確で高速なオブジェクト検出のための受容フィールドブロックネット| [ ECCV 2018 ]
FSSD：機能フュージョンシングルショットマルチボックス検出器| [2017/12]
オブジェクト検出のためのピラミッドネットワークを特徴づけます| [ CVPR 2017 ]
剪定：
宝くじのチケット仮説：まばらで訓練可能なニューラルネットワークを見つける| [ ICLR 2019 ]
ネットワークプルーニングの価値を再考する| [ ICLR 2019 ]
スリム可能なニューラルネットワーク| [ ICLR 2019 ]
AMC：モバイルデバイスのモデル圧縮と加速のためのAutoml | [ ECCV 2018 ]
ネットワークスリミングを介した効率的な畳み込みネットワークの学習| [ ICCV 2017 ]
非常に深いニューラルネットワークを加速するためのチャネル剪定| [ ICCV 2017 ]
リソースの効率的な推論のための畳み込みの畳み込みニューラルネットワーク| [ ICLR 2017 ]
効率的なコンベネット用の剪定フィルター| [ ICLR 2017 ]
量子化：
トレーニング活性化におけるストレートスルー推定器の理解量子化されたニューラルネット| [ ICLR 2019 ]
効率的な整数 - アリスメティックのみの推論のためのニューラルネットワークの量子化とトレーニング| [ CVPR 2018 ]
効率的な推論のための深い畳み込みネットワークの量子化：ホワイトペーパー| [2018/06]
協定：量子化されたニューラルネットワークのパラメーター化されたクリッピングアクティベーション| [2018/05]
迅速な展開のための畳み込みネットワークのトレーニング後の4ビット量子化| [ ICML 2018 ]
WRPN：幅広い還元ネットワーク| [ ICLR 2018 ]
インクリメンタルネットワークの量子化：低精度の重みを持つ損失のないCNNに向けて| [ ICLR 2017 ]
dorefa-net：低幅の勾配で低幅の畳み込み型畳み込みニューラルネットワークのトレーニング| [2016/06]
条件付き計算のために確率ニューロンを介して勾配を推定または伝播する| [2013/08]
知識の蒸留
Apprentice：知識蒸留技術を使用して低精度のネットワークの精度を改善する| [ ICLR 2018 ]
蒸留と量子化によるモデル圧縮| [ ICLR 2018 ]
加速度：
卒業生のないハイパーパラメーターのチューニング：ドラゴンフライによるスケーラブルで堅牢なベイジアン最適化| [2019/03]
添加剤と直交フーリエ機能を備えた効率的な高次元のベイジアン最適化| [ Neurips 2018 ]
Google Vizier：ブラックボックスの最適化のためのサービス| [ Sigkdd 2017 ]
機械学習アルゴリズムのハイパーパラメーター最適化：理論と実践| [ Neurocomputing2020 ]
ベイジアンの最適化を使用したクラウド機械学習エンジンのハイパーパラメーターチューニング
ベイジアンの最適化の概要
ベイズの最適化
Netscope CNNアナライザー| [カフェ]
SKSQ96/pytorch-summary | [Pytorch]
lyken17/pytorch-opcounter | [Pytorch]
sovrasov/flops-counter.pytorch | [Pytorch]
