AutoDispNet：利用 AutoML 改进视差估计
计算机视觉与模式识别
2019-10-08 v2 人工智能
机器学习
摘要
计算机视觉中的许多研究工作都致力于优化现有网络架构，以在基准测试上获得几个百分点的提升。近期的 AutoML 方法有望将我们从这一努力中解放出来。然而，它们主要面向规模相对较小的分类任务而设计。在这项工作中，我们展示如何运用并扩展现有 AutoML 技术，以高效优化大规模的类 U-Net 编码器-解码器架构。具体而言，我们利用基于梯度的神经架构搜索和用于超参数搜索的贝叶斯优化。所得的优化不需要大规模计算集群。我们展示了在视差估计上的结果，其明显优于手动优化的基线并达到了最先进的性能。
引用
@article{arxiv.1905.07443,
title = {AutoDispNet: Improving Disparity Estimation With AutoML},
author = {Tonmoy Saikia and Yassine Marrakchi and Arber Zela and Frank Hutter and Thomas Brox},
journal= {arXiv preprint arXiv:1905.07443},
year = {2019}
}
备注
In Proceedings of the 2019 IEEE International Conference on Computer Vision (ICCV)