DetOFA：利用路径过滤器高效训练用于目标检测的一次性网络
计算机视觉与模式识别
2023-10-20 v3
摘要
我们解决了使用相对较少的训练数据来训练用于目标检测任务的大型超网所面临的挑战。具体而言，我们提出了一种高效的基于超网的神经架构搜索（NAS）方法，该方法采用搜索空间剪枝。由超网定义的搜索空间通过移除被预测为性能较差的候选模型来进行剪枝。为了在不同资源约束范围内有效地移除候选模型，我们特别设计了一种用于超网的性能预测器，称为路径过滤器（path filter），它以资源约束为条件，能够准确预测满足相似资源约束的模型的相对性能。因此，超网训练更加聚焦于性能最佳的候选模型。我们的路径过滤器可处理具有不同资源预算的路径的预测。与 once-for-all 相比，我们提出的方法将最优网络架构的计算成本分别降低了 30% 和 63%，同时产生了更好的精度-浮点运算量帕累托前沿（在 Pascal VOC 和 COCO 上平均精度分别提升 0.85 和 0.45 个点）。
引用
@article{arxiv.2303.13121,
title = {DetOFA: Efficient Training of Once-for-All Networks for Object Detection Using Path Filter},
author = {Yuiko Sakuma and Masato Ishii and Takuya Narihira},
journal= {arXiv preprint arXiv:2303.13121},
year = {2023}
}
备注
Accepted to ICCV workshop 2023