面向实时语义分割的多目标优化基准测试套件
计算机视觉与模式识别
2024-04-30 v2 神经与进化计算
摘要
作为自动机器学习中的一个新兴挑战，硬件感知神经网络结构搜索（HW-NAS）任务可视为黑箱多目标优化问题（MOP）。HW-NAS 的一个重要应用是实时语义分割，这在自动驾驶场景中起着关键作用。实时语义分割的 HW-NAS 本质上需要平衡多个优化目标，包括模型准确率、推理速度和硬件特定考虑因素。尽管如此重要，但尚未开发出基准测试套件将此挑战性任务作为多目标优化问题。为弥合这一差距，我们引入了一个量身定制的流水线，将 HW-NAS 用于实时语义分割任务转化为标准 MOP。基于该流水线，我们提出了一个基准测试套件 CitySeg/MOP，包含来自 Cityscapes 数据集的十五个 MOP。CitySeg/MOP 测试套件集成在 EvoXBench 平台上，提供与各种编程语言（如 Python 和 MATLAB）无缝集成的接口，以便即时进行适应度评估。我们在各种多目标进化算法上全面评估了 CitySeg/MOP 测试套件，展示了其灵活性和实用性。源代码可在 https://github.com/EMI-Group/evoxbench 获取。
引用
@article{arxiv.2404.16266,
title = {A Multi-objective Optimization Benchmark Test Suite for Real-time Semantic Segmentation},
author = {Yifan Zhao and Zhenyu Liang and Zhichao Lu and Ran Cheng},
journal= {arXiv preprint arXiv:2404.16266},
year = {2024}
}
备注
GECCO 2024