FMAS：面向语义分割的快速多目标超网架构搜索
计算机视觉与模式识别
2023-03-30 v1 人工智能
摘要
我们提出 FMAS，一种用于语义分割的快速多目标神经架构搜索框架。FMAS 对 DeepLabV3+ 的结构和预训练参数进行子采样，无需微调，大幅减少了搜索期间的训练时间。为了进一步减少候选评估时间，我们在搜索期间使用验证数据集的一个子集。仅最终帕累托非支配的候选使用完整训练集进行最终微调。我们通过在 PASCAL VOC 2012 数据集上搜索有效权衡精度与计算成本的模型来评估 FMAS。FMAS 能快速找到有竞争力的设计，例如，仅用 0.5 GPU 天就发现了一个 DeepLabV3+ 变体，在误差增加小于 3% 的情况下，将 FLOPs 和参数量分别减少 10% 和 20%。我们还在名为 GAP8 的边缘设备上搜索并以它的延迟作为指标。FMAS 能够找到快 2.2× 且 MIoU 损失为 7.61% 的网络。
引用
@article{arxiv.2303.16322,
title = {FMAS: Fast Multi-Objective SuperNet Architecture Search for Semantic Segmentation},
author = {Zhuoran Xiong and Marihan Amein and Olivier Therrien and Warren J. Gross and Brett H. Meyer},
journal= {arXiv preprint arXiv:2303.16322},
year = {2023}
}
备注
Accepted as a full paper by the TinyML Research Symposium 2023