面向目标检测的计算重分配
计算机视觉与模式识别
2019-12-25 v1 机器学习
摘要
骨干网络中计算资源的分配是目标检测中的一个关键问题。然而，分类的分配模式通常被直接用于目标检测器，这被证明是次优的。为了以更高效的方式重新分配所投入的计算资源，我们提出 CR-NAS（计算重分配神经架构搜索），它可以在目标检测数据集上直接学习跨不同特征分辨率和空间位置的计算重分配策略。我们提出了一个用于阶段级和空间级重分配的两级重分配空间。采用一种新颖的分层搜索过程来应对复杂的搜索空间。我们将 CR-NAS 应用于多个骨干网络并取得了持续的提升。我们的 CR-ResNet50 和 CR-MobileNetV2 在无需任何额外计算预算的情况下，分别比基线高出 1.9% 和 1.7% 的 COCO AP。CR-NAS 发现的模型可以配备到其他强大的检测颈/头，并容易迁移到其他数据集（如 PASCAL VOC）和其他视觉任务（如实例分割）。我们的 CR-NAS 可用作插件来提升各种网络的性能，这是很有需求的。
引用
@article{arxiv.1912.11234,
title = {Computation Reallocation for Object Detection},
author = {Feng Liang and Chen Lin and Ronghao Guo and Ming Sun and Wei Wu and Junjie Yan and Wanli Ouyang},
journal= {arXiv preprint arXiv:1912.11234},
year = {2019}
}
备注
ICLR2020