AutoPose：搜索用于姿态估计的多尺度分支聚合
计算机视觉与模式识别
2020-08-18 v1
摘要
我们提出 AutoPose，一种新颖的神经架构搜索（NAS）框架，能够自动发现面向准确且高分辨率 2D 人体姿态估计的跨尺度连接的多条并行分支。近来，用于姿态估计的高性能手工卷积网络对多尺度融合与高分辨率表示展现出日益增长的需求。然而，当前 NAS 工作在尺度搜索上灵活性有限，主要采用于单分支架构的简化搜索空间。此类简化限制了不同尺度信息的融合，且无法保持高分辨率表示。所提出的 AutoPose 框架除单元级微结构外，还能够搜索多分支尺度与网络深度。受该搜索空间启发，我们提出一种新颖的双层优化方法，其中网络级架构通过强化学习搜索，而单元级搜索由基于梯度的方法执行。在 2.5 GPU 天内，AutoPose 能够在 MS COCO 数据集上找到极具竞争力的架构，且可迁移至 MPII 数据集。我们的代码可在 https://github.com/VITA-Group/AutoPose 获取。
引用
@article{arxiv.2008.07018,
title = {AutoPose: Searching Multi-Scale Branch Aggregation for Pose Estimation},
author = {Xinyu Gong and Wuyang Chen and Yifan Jiang and Ye Yuan and Xianming Liu and Qian Zhang and Yuan Li and Zhangyang Wang},
journal= {arXiv preprint arXiv:2008.07018},
year = {2020}
}