Hit-Detector：面向目标检测的分层三位一体架构搜索
计算机视觉与模式识别
2020-03-27 v1
摘要
神经架构搜索（Neural Architecture Search, NAS）在图像分类任务中已取得巨大成功。近期一些工作尝试为对象检测自动设计高效的骨干网络或特征融合层。然而，这些方法仅聚焦于搜索目标检测器中某一特定组件，而其余部分仍由人工设计。我们指出，搜索所得组件与人工设计组件之间的不一致性会制约检测器获得更强的性能。为此，我们提出一种分层三位一体搜索框架，以端到端方式同时发现目标检测器所有组件（即骨干、颈部和头部）的高效架构。此外，我们通过实验揭示检测器不同部分偏好不同的算子。受此启发，我们采用一种新方案为不同组件自动筛选不同的子搜索空间，从而在相应子搜索空间上高效地执行各组件的端到端搜索。无需额外技巧，我们搜索得到的架构（称为Hit-Detector）在COCO minival集上以27M参数取得41.4% mAP。我们的实现见 https://github.com/ggjy/HitDet.pytorch。
引用
@article{arxiv.2003.11818,
title = {Hit-Detector: Hierarchical Trinity Architecture Search for Object Detection},
author = {Jianyuan Guo and Kai Han and Yunhe Wang and Chao Zhang and Zhaohui Yang and Han Wu and Xinghao Chen and Chang Xu},
journal= {arXiv preprint arXiv:2003.11818},
year = {2020}
}
备注
Accepted in CVPR 2020