Auto-DeepLab：面向语义图像分割的层次化神经架构搜索
计算机视觉与模式识别
2019-04-09 v2 机器学习
摘要
近来，神经架构搜索（NAS）已成功识别出在大规模图像分类上超越人工设计架构的神经网络架构。在本文中，我们研究用于语义图像分割的 NAS。现有工作通常聚焦于搜索可重复的单元结构，同时手工设计控制空间分辨率变化的外层网络结构。这一选择简化了搜索空间，但对于表现出更多网络级架构变化的密集图像预测而言日益成问题。因此，我们提出在单元级结构之外搜索网络级结构，从而形成层次化架构搜索空间。我们提出一个包含许多流行设计的网络级搜索空间，并给出一种允许高效基于梯度的架构搜索的公式（在 Cityscapes 图像上需 3 个 P100 GPU 天）。我们在具挑战性的 Cityscapes、PASCAL VOC 2012 和 ADE20K 数据集上证明了所提方法的有效性。Auto-DeepLab 是我们专为语义图像分割搜索出的架构，在无需任何 ImageNet 预训练的情况下达到了最先进性能。
引用
@article{arxiv.1901.02985,
title = {Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation},
author = {Chenxi Liu and Liang-Chieh Chen and Florian Schroff and Hartwig Adam and Wei Hua and Alan Yuille and Li Fei-Fei},
journal= {arXiv preprint arXiv:1901.02985},
year = {2019}
}
备注
To appear in CVPR 2019 as oral. Code for Auto-DeepLab released at https://github.com/tensorflow/models/tree/master/research/deeplab