Diante do problema da grande diferença entre a arquitetura de rede automaticamente pesquisada pelos algoritmos de busca de arquitetura neural existentes e a arquitetura de rede avaliada, foi proposto um algoritmo de busca de arquitetura neural baseado em um mecanismo de votação. Primeiro, utiliza-se a perda de treinamento testada em dados de treinamento em pequenos lotes como estimador de desempenho para amostrar as redes candidatas, concentrando recursos computacionais nas arquiteturas candidatas com potencial de bom desempenho, resolvendo o problema da amostragem uniforme que ignora a importância relativa entre as arquiteturas; em segundo lugar, para a dificuldade de selecionar operações candidatas em cada nó, utiliza-se a estratégia de regularização esparsa grupal para classificar todas as operações candidatas e filtrar as adequadas, melhorando a precisão da seleção de caminhos na estrutura Cell; finalmente, a estratégia de busca de arquitetura diferenciável, a estratégia de ruído e a estratégia de regularização esparsa grupal são combinadas para selecionar a melhor estrutura Cell por meio de um método de votação ponderada, construindo uma arquitetura de rede para reconhecimento e classificação de modelos 3D com alto desempenho. Os resultados experimentais no conjunto de dados ModelNet40 mostram que a rede construída alcançou uma precisão de classificação de modelos 3D de 93,9%, superando os algoritmos atuais principais. Este algoritmo reduz efetivamente a diferença entre as arquiteturas de rede nas fases de busca e avaliação, resolvendo o problema da baixa eficiência de treinamento de rede causada pela amostragem uniforme nos métodos anteriores de busca de arquitetura neural.

busca de arquitetura neural;votação ponderada;classificação de modelos 3D;estimador de desempenho;regularização esparsa grupal