EAutoDet：高效的目标检测架构搜索
计算机视觉与模式识别
2022-03-22 v1
摘要
由于数据集庞大且网络模块复杂，训练用于检测的 CNN 十分耗时，使得直接在检测数据集上搜索架构变得困难，这通常需要巨大的搜索代价（通常为数十甚至数百 GPU-天）。相比之下，本文引入一种高效框架 EAutoDet，可在 1.4 GPU-天内为对象检测发现实用的骨干与 FPN 架构。具体而言，我们为骨干和 FPN 模块构建超网并采用可微方法。为降低 GPU 内存需求与计算代价，我们提出一种核复用技术，通过共享一条边上候选操作的权重并将其合并为一次卷积。还引入了动态通道精修策略以搜索通道数。大量实验显示了我们方法的显著效能与效率。特别地，所发现的架构超越了最先进的目标检测 NAS 方法，在 COCO test-dev 集上以 120 FPS 取得 40.1 mAP，以 41.3 FPS 取得 49.2 mAP。我们还将所发现的架构迁移到旋转检测任务，在 DOTA-v1.0 test 集上以 21.1M 参数取得 77.05 mAP_50。
引用
@article{arxiv.2203.10747,
title = {EAutoDet: Efficient Architecture Search for Object Detection},
author = {Xiaoxing Wang and Jiale Lin and Junchi Yan and Juanping Zhao and Xiaokang Yang},
journal= {arXiv preprint arXiv:2203.10747},
year = {2022}
}